《蔬菜的人工智能育种方法.pdf》由会员分享，可在线阅读，更多相关《蔬菜的人工智能育种方法.pdf（12页珍藏版）》请在专利查询网上搜索。
1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310650110.1(22)申请日 2023.06.02(71)申请人 华南农业大学地址 510640 广东省广州市天河区五山路483号(72)发明人 康云艳杨暹柴喜荣赵普艳钟珉(74)专利代理机构 北京国坤专利代理事务所(普通合伙)11491专利代理师 赵红霞(51)Int.Cl.G06T 7/00(2017.01)G06T 7/11(2017.01)G06T 5/00(2006.01)G06V 10/774(2022.01)G06N 20/20(2019.01)(54)发明名称一种蔬菜。
2、的人工智能育种方法(57)摘要本发明属于蔬菜的人工智能育种技术领域，公开了一种蔬菜的人工智能育种方法。本发明通过对蔬菜种子图像进行增强处理方法采集到的蔬菜种子图像训练变分自编码网络，将待增强蔬菜种子图像送入变分自编码网络，获得多维特征分布，可以通过改变第一维度特征分布的采样值可以得到边缘梯度大小不同的蔬菜种子图像，提高了蔬菜种子图像细节区域的增强效果，可以准确地获得蔬菜种子图像的边缘和纹理信息；同时，通过对蔬菜种子图像进行分割方法利用第一蔬菜种子图像及其标注掩膜和待分割的第二蔬菜种子图像作为孪生深度学习网络的输入数据，通过孪生深度学习网络对输入数据进行处理获取第二蔬菜种子图像的精准分割结果。权。
3、利要求书3页 说明书6页 附图2页CN 116612105 A2023.08.18CN 116612105 A1.一种蔬菜的人工智能育种方法，其特征在于，所述蔬菜的人工智能育种方法包括以下步骤：步骤一，配置摄像设备参数，通过摄像设备采集蔬菜种子图像；对蔬菜种子图像进行增强处理；并对蔬菜种子图像进行分割，对蔬菜种子进行识别，筛选出外观优良的蔬菜种子；步骤二，将选外观优良的蔬菜种子配制杂种一代，并通过种植获取杂种一代主要经济性状；将获取的经济性状数据输入计算机，建立数据库管理系统后进行数据的加工处理；然后通过对经济性状数据的分析和统计建立亲本与杂交一代形状相关关系的数学模型；步骤三，根据亲本与杂交。
4、一代形状相关关系的数学模型选育出产量、品质、抗病性经济性状良好的品种。2.如权利要求1所述蔬菜的人工智能育种方法，其特征在于，所述对蔬菜种子图像进行增强处理方法如下：(1)构建蔬菜种子图集，将获取的蔬菜种子图像存入蔬菜种子图集；将待增强蔬菜种子图像送入变分自编码网络，获得多维特征分布；改变控制图像边缘梯度大小的特征分布的采样值得到边缘梯度不同的多张蔬菜种子图像；(2)根据边缘梯度不同的多张蔬菜种子图像和待增强蔬菜种子图像的差值获得差异影像序列；根据差异影像序列获得待增强蔬菜种子图像细节区域的遮罩影像；(3)根据细节区域的遮罩影像获得待增强蔬菜种子图像细节图；将待增强蔬菜种子图像细节区域的遮罩影。
5、像取反，得到非细节区域的遮罩影像；根据非细节区域的遮罩影像获得待增强蔬菜种子图像非细节图；根据待增强蔬菜种子图像细节图及非细节图进行加权融合，得到增强蔬菜种子图像；所述根据差异影像序列获得待增强蔬菜种子图像细节区域的遮罩影像包括：计算差异影像序列中相邻两个元素的交并比；根据序列对应的交并比变化趋势，确定交并比趋于平稳时的序列元素为待增强蔬菜种子图像细节区域的遮罩影像。3.如权利要求2所述蔬菜的人工智能育种方法，其特征在于，所述变分自编码网络的训练过程包括两次训练：第一次训练过程中，选取变分自编码网络编码端输出的一个维度记为第一维度特征分布，固定第一维度特征分布的采样值，对其他维度特征分布的采样。
6、值不做控制；第一次训练用于约束解码端输出蔬菜种子图像的边缘梯度不发生变化；第二次训练过程中，固定除第一维度特征分布以外其他维度特征分布的采样值，改变第一维度特征分布的采样值；第二次训练用于约束解码端输出蔬菜种子图像的边缘梯度变化与第一维度特征分布的采样值呈正相关；变分自编码网络收敛时，第一维度特征分布即为控制图像边缘梯度大小的维度。4.如权利要求2所述蔬菜的人工智能育种方法，其特征在于，所述根据边缘梯度不同的多张蔬菜种子图像和待增强蔬菜种子图像的差值获得差异影像序列包括：计算边缘梯度不同的蔬菜种子图像和待增强蔬菜种子图像的对应像素的差值绝对值，得到差值图像；对每张差值图像进行阈值化操作获得二值。
7、图像；所有二值图像组成的序列为差异影像序列。5.如权利要求2所述蔬菜的人工智能育种方法，其特征在于，所述根据待增强蔬菜种子图像细节图及非细节图进行加权融合，得到增强蔬菜种子图像：分别获得待增强蔬菜种子图像的细节图和非细节图的梯度图像和平均梯度；根据所得平均梯度获得加权系数；根据权利要求书1/3 页2CN 116612105 A2加权系数对待增强蔬菜种子图像的细节图和非细节图进行加权融合，得到增强蔬菜种子图像。6.如权利要求1所述蔬菜的人工智能育种方法，其特征在于，所述对蔬菜种子图像进行分割方法如下：1)获取待分割的蔬菜种子图像；从所述蔬菜种子图像中获取至少一张蔬菜种子图像作为第一蔬菜种子图像，。
8、从所述蔬菜种子图像中获取另外的至少两张蔬菜种子图像作为第二蔬菜种子图像；2)获取所述第一蔬菜种子图像的标注掩膜；利用蔬菜种子图像分割模型对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行处理，以获取所述第二蔬菜种子图像的分割结果，其中，所述蔬菜种子图像分割模型为训练好的孪生深度学习网络。7.如权利要求6所述蔬菜的人工智能育种方法，其特征在于，所述第一蔬菜种子图像的数量少于所述第二蔬菜种子图像。8.如权利要求6所述蔬菜的人工智能育种方法，其特征在于，所述对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行处理包括：对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行放缩。
9、处理以使三者的尺寸与所述蔬菜种子图像分割模型相匹配；利用所述蔬菜种子图像分割模型对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行处理，以获取所述第二蔬菜种子图像的预测掩膜；对所述第二蔬菜种子图像的预测掩膜进行放缩处理以使所述第二蔬菜种子图像的预测掩膜的尺寸与所述第二蔬菜种子图像的原始尺寸相匹配。9.如权利要求6所述蔬菜的人工智能育种方法，其特征在于，所述蔬菜种子图像分割模型的训练方法包括：获取训练蔬菜种子图像；根据所述训练蔬菜种子图像获取支持图像、支持掩膜、问询图像和问询掩膜，其中，所述支持掩膜是指所述支持图像中对象的掩膜，所述问询掩膜是指所述问询图像中所述对象的掩膜；利用所述蔬菜。
10、种子图像分割模型对所述支持图像和所述问询图像进行处理以获取支持特征和问询特征；根据所述支持特征、所述问询特征、所述支持掩膜和所述问询掩膜对所述蔬菜种子图像分割模型进行训练。10.如权利要求6所述蔬菜的人工智能育种方法，其特征在于，所述根据所述训练蔬菜种子图像获取支持图像、支持掩膜、问询图像和问询掩膜包括：从所述训练蔬菜种子图像中获取至少两张蔬菜种子图像作为所述支持图像；获取所述支持图像中所述对象的掩膜作为所述支持掩膜；对所述支持图像和所述支持掩膜进行相同的变换以得到所述问询图像和所述问询掩膜；根据所述支持特征、所述问询特征、所述支持掩膜和所述问询掩膜对所述蔬菜种子图像分割模型进行训练包括：采用。
11、对比学习和原型学习策略对所述蔬菜种子图像分割模型进行训练，在训练中采用权利要求书2/3 页3CN 116612105 A3的损失函数由所述支持特征、所述问询特征、所述支持掩膜和所述问询掩膜决定；所述蔬菜种子图像中的待分割对象与所述对象的类型相同或不同。权利要求书3/3 页4CN 116612105 A4一种蔬菜的人工智能育种方法技术领域0001本发明属于蔬菜的人工智能育种技术领域，尤其涉及一种蔬菜的人工智能育种方法。背景技术0002蔬菜育种是选育和繁殖植物优良品种或是改良蔬菜的遗传特性，以培育高产优质品种的技术，又称蔬菜品种改良。蔬菜育种是改进蔬菜经济性状的遗传模式的技术，是作物育种的重要组成。
12、部分；通过有性杂交育种、杂种优势利用及其他育种途径，我国已先后育成了各类蔬菜新品种2000多个。其中，20世纪80年代以来，育成并通过国家或省级农作物审定委员会审定、认定的蔬菜新品种1000多个。据不完全统计，我国各蔬菜主产区的主要蔬菜品种已普遍更新34次，良种覆盖率达90以上。鉴于许多蔬菜具有显著的杂种优势，表现丰产、抗病、抗逆、适应性广，主要经济性状表现整齐一致等优点，在近20年蔬菜育种实践中，杂种优势育种已成为重要的育种方法和途径；然而，现有蔬菜的人工智能育种方法筛选外观优良的蔬菜种子时采集的图像不清晰，影响筛选的准确性；同时，对蔬菜种子图像分割不准确影响对蔬菜种子的识别。0003通过上。
13、述分析，现有技术存在的问题及缺陷为：0004(1)现有蔬菜的人工智能育种方法筛选外观优良的蔬菜种子时采集的图像不清晰，影响筛选的准确性。0005(2)对蔬菜种子图像分割不准确影响对蔬菜种子的识别。发明内容0006针对现有技术存在的问题，本发明提供了一种蔬菜的人工智能育种方法。0007本发明是这样实现的，一种蔬菜的人工智能育种方法包括：0008步骤一，配置摄像设备参数，通过摄像设备采集蔬菜种子图像；对蔬菜种子图像进行增强处理；并对蔬菜种子图像进行分割，对蔬菜种子进行识别，筛选出外观优良的蔬菜种子；0009步骤二，将选外观优良的蔬菜种子配制杂种一代，并通过种植获取杂种一代主要经济性状；将获取的经济。
14、性状数据输入计算机，建立数据库管理系统后进行数据的加工处理；然后通过对经济性状数据的分析和统计建立亲本与杂交一代形状相关关系的数学模型；0010步骤三，根据亲本与杂交一代形状相关关系的数学模型选育出产量、品质、抗病性经济性状良好的品种。0011进一步，所述对蔬菜种子图像进行增强处理方法如下：0012(1)构建蔬菜种子图集，将获取的蔬菜种子图像存入蔬菜种子图集；将待增强蔬菜种子图像送入变分自编码网络，获得多维特征分布；改变控制图像边缘梯度大小的特征分布的采样值得到边缘梯度不同的多张蔬菜种子图像；说明书1/6 页5CN 116612105 A50013(2)根据边缘梯度不同的多张蔬菜种子图像和待增。
15、强蔬菜种子图像的差值获得差异影像序列；根据差异影像序列获得待增强蔬菜种子图像细节区域的遮罩影像；0014(3)根据细节区域的遮罩影像获得待增强蔬菜种子图像细节图；将待增强蔬菜种子图像细节区域的遮罩影像取反，得到非细节区域的遮罩影像；根据非细节区域的遮罩影像获得待增强蔬菜种子图像非细节图；根据待增强蔬菜种子图像细节图及非细节图进行加权融合，得到增强蔬菜种子图像；0015所述根据差异影像序列获得待增强蔬菜种子图像细节区域的遮罩影像包括：计算差异影像序列中相邻两个元素的交并比；根据序列对应的交并比变化趋势，确定交并比趋于平稳时的序列元素为待增强蔬菜种子图像细节区域的遮罩影像。0016进一步，所述变分。
16、自编码网络的训练过程包括两次训练：0017第一次训练过程中，选取变分自编码网络编码端输出的一个维度记为第一维度特征分布，固定第一维度特征分布的采样值，对其他维度特征分布的采样值不做控制；第一次训练用于约束解码端输出蔬菜种子图像的边缘梯度不发生变化；0018第二次训练过程中，固定除第一维度特征分布以外其他维度特征分布的采样值，改变第一维度特征分布的采样值；第二次训练用于约束解码端输出蔬菜种子图像的边缘梯度变化与第一维度特征分布的采样值呈正相关；变分自编码网络收敛时，第一维度特征分布即为控制图像边缘梯度大小的维度。0019进一步，所述根据边缘梯度不同的多张蔬菜种子图像和待增强蔬菜种子图像的差值获得。
17、差异影像序列包括：计算边缘梯度不同的蔬菜种子图像和待增强蔬菜种子图像的对应像素的差值绝对值，得到差值图像；对每张差值图像进行阈值化操作获得二值图像；所有二值图像组成的序列为差异影像序列。0020进一步，所述根据待增强蔬菜种子图像细节图及非细节图进行加权融合，得到增强蔬菜种子图像：分别获得待增强蔬菜种子图像的细节图和非细节图的梯度图像和平均梯度；根据所得平均梯度获得加权系数；根据加权系数对待增强蔬菜种子图像的细节图和非细节图进行加权融合，得到增强蔬菜种子图像。0021进一步，所述对蔬菜种子图像进行分割方法如下：00221)获取待分割的蔬菜种子图像；从所述蔬菜种子图像中获取至少一张蔬菜种子图像作为。
18、第一蔬菜种子图像，从所述蔬菜种子图像中获取另外的至少两张蔬菜种子图像作为第二蔬菜种子图像；00232)获取所述第一蔬菜种子图像的标注掩膜；利用蔬菜种子图像分割模型对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行处理，以获取所述第二蔬菜种子图像的分割结果，其中，所述蔬菜种子图像分割模型为训练好的孪生深度学习网络。0024进一步，所述第一蔬菜种子图像的数量少于所述第二蔬菜种子图像。0025进一步，所述对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行处理包括：0026对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行放缩处理以使三者的尺寸与所述蔬菜种子图像分割模型相。
19、匹配；0027利用所述蔬菜种子图像分割模型对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行处理，以获取所述第二蔬菜种子图像的预测掩膜；说明书2/6 页6CN 116612105 A60028对所述第二蔬菜种子图像的预测掩膜进行放缩处理以使所述第二蔬菜种子图像的预测掩膜的尺寸与所述第二蔬菜种子图像的原始尺寸相匹配。0029进一步，所述蔬菜种子图像分割模型的训练方法包括：0030获取训练蔬菜种子图像；0031根据所述训练蔬菜种子图像获取支持图像、支持掩膜、问询图像和问询掩膜，其中，所述支持掩膜是指所述支持图像中对象的掩膜，所述问询掩膜是指所述问询图像中所述对象的掩膜；0032利用所述蔬。
20、菜种子图像分割模型对所述支持图像和所述问询图像进行处理以获取支持特征和问询特征；0033根据所述支持特征、所述问询特征、所述支持掩膜和所述问询掩膜对所述蔬菜种子图像分割模型进行训练。0034进一步，所述根据所述训练蔬菜种子图像获取支持图像、支持掩膜、问询图像和问询掩膜包括：0035从所述训练蔬菜种子图像中获取至少两张蔬菜种子图像作为所述支持图像；0036获取所述支持图像中所述对象的掩膜作为所述支持掩膜；0037对所述支持图像和所述支持掩膜进行相同的变换以得到所述问询图像和所述问询掩膜；0038根据所述支持特征、所述问询特征、所述支持掩膜和所述问询掩膜对所述蔬菜种子图像分割模型进行训练包括：00。
21、39采用对比学习和原型学习策略对所述蔬菜种子图像分割模型进行训练，在训练中采用的损失函数由所述支持特征、所述问询特征、所述支持掩膜和所述问询掩膜决定；0040所述蔬菜种子图像中的待分割对象与所述对象的类型相同或不同。0041结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：0042本发明通过对蔬菜种子图像进行增强处理方法采集到的蔬菜种子图像训练变分自编码网络，将待增强蔬菜种子图像送入变分自编码网络，获得多维特征分布，可以通过改变第一维度特征分布的采样值可以得到边缘梯度大小不同的蔬菜种子图像；由待增强蔬菜种子图像中的细节区域和非细节区域梯度信息获得加权系数，根。
22、据加权系数对待增强蔬菜种子图像的细节图和非细节图进行加权融合，得到增强蔬菜种子图像，提高了蔬菜种子图像细节区域的增强效果，可以准确地获得蔬菜种子图像的边缘和纹理信息；同时，通过对蔬菜种子图像进行分割方法利用第一蔬菜种子图像及其标注掩膜和待分割的第二蔬菜种子图像作为孪生深度学习网络的输入数据，通过孪生深度学习网络对输入数据进行处理获取第二蔬菜种子图像的精准分割结果。附图说明0043图1是本发明实施例提供的蔬菜的人工智能育种方法流程图；0044图2是本发明实施例提供的对蔬菜种子图像进行增强处理方法流程图；0045图3是本发明实施例提供的对蔬菜种子图像进行分割方法流程图。说明书3/6 页7CN 11。
23、6612105 A7具体实施方式0046为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。0047如图1所示，本发明提供一种蔬菜的人工智能育种方法包括以下步骤：0048S101，配置摄像设备参数，通过摄像设备采集蔬菜种子图像；对蔬菜种子图像进行增强处理；并对蔬菜种子图像进行分割，对蔬菜种子进行识别，筛选出外观优良的蔬菜种子；0049S102，将选外观优良的蔬菜种子配制杂种一代，并通过种植获取杂种一代主要经济性状；将获取的经济性状数据输入计算机，建立数据库管理系统后进行数据的加工处理。
24、；然后通过对经济性状数据的分析和统计建立亲本与杂交一代形状相关关系的数学模型；0050S103，根据亲本与杂交一代形状相关关系的数学模型选育出产量、品质、抗病性经济性状良好的品种。0051如图2所示，本发明提供的对蔬菜种子图像进行增强处理方法如下：0052S201，构建蔬菜种子图集，将获取的蔬菜种子图像存入蔬菜种子图集；将待增强蔬菜种子图像送入变分自编码网络，获得多维特征分布；改变控制图像边缘梯度大小的特征分布的采样值得到边缘梯度不同的多张蔬菜种子图像；0053S202，根据边缘梯度不同的多张蔬菜种子图像和待增强蔬菜种子图像的差值获得差异影像序列；根据差异影像序列获得待增强蔬菜种子图像细节区域。
25、的遮罩影像；0054S203，根据细节区域的遮罩影像获得待增强蔬菜种子图像细节图；将待增强蔬菜种子图像细节区域的遮罩影像取反，得到非细节区域的遮罩影像；根据非细节区域的遮罩影像获得待增强蔬菜种子图像非细节图；根据待增强蔬菜种子图像细节图及非细节图进行加权融合，得到增强蔬菜种子图像；0055所述根据差异影像序列获得待增强蔬菜种子图像细节区域的遮罩影像包括：计算差异影像序列中相邻两个元素的交并比；根据序列对应的交并比变化趋势，确定交并比趋于平稳时的序列元素为待增强蔬菜种子图像细节区域的遮罩影像。0056本发明提供的变分自编码网络的训练过程包括两次训练：0057第一次训练过程中，选取变分自编码网络编。
26、码端输出的一个维度记为第一维度特征分布，固定第一维度特征分布的采样值，对其他维度特征分布的采样值不做控制；第一次训练用于约束解码端输出蔬菜种子图像的边缘梯度不发生变化；0058第二次训练过程中，固定除第一维度特征分布以外其他维度特征分布的采样值，改变第一维度特征分布的采样值；第二次训练用于约束解码端输出蔬菜种子图像的边缘梯度变化与第一维度特征分布的采样值呈正相关；变分自编码网络收敛时，第一维度特征分布即为控制图像边缘梯度大小的维度。0059本发明提供的根据边缘梯度不同的多张蔬菜种子图像和待增强蔬菜种子图像的差值获得差异影像序列包括：计算边缘梯度不同的蔬菜种子图像和待增强蔬菜种子图像的对应像素的。
27、差值绝对值，得到差值图像；对每张差值图像进行阈值化操作获得二值图像；所有二值图像组成的序列为差异影像序列。0060本发明提供的根据待增强蔬菜种子图像细节图及非细节图进行加权融合，得到增说明书4/6 页8CN 116612105 A8强蔬菜种子图像：分别获得待增强蔬菜种子图像的细节图和非细节图的梯度图像和平均梯度；根据所得平均梯度获得加权系数；根据加权系数对待增强蔬菜种子图像的细节图和非细节图进行加权融合，得到增强蔬菜种子图像。0061如图3所示，本发明提供的对蔬菜种子图像进行分割方法如下：0062S301，获取待分割的蔬菜种子图像；从所述蔬菜种子图像中获取至少一张蔬菜种子图像作为第一蔬菜种子图。
28、像，从所述蔬菜种子图像中获取另外的至少两张蔬菜种子图像作为第二蔬菜种子图像；0063S302，获取所述第一蔬菜种子图像的标注掩膜；利用蔬菜种子图像分割模型对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行处理，以获取所述第二蔬菜种子图像的分割结果，其中，所述蔬菜种子图像分割模型为训练好的孪生深度学习网络。0064本发明提供的第一蔬菜种子图像的数量少于所述第二蔬菜种子图像。0065本发明提供的对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行处理包括：0066对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行放缩处理以使三者的尺寸与所述蔬菜种子图像分割模型相匹配；0。
29、067利用所述蔬菜种子图像分割模型对所述第一蔬菜种子图像及其标注掩膜和所述第二蔬菜种子图像进行处理，以获取所述第二蔬菜种子图像的预测掩膜；0068对所述第二蔬菜种子图像的预测掩膜进行放缩处理以使所述第二蔬菜种子图像的预测掩膜的尺寸与所述第二蔬菜种子图像的原始尺寸相匹配。0069本发明提供的蔬菜种子图像分割模型的训练方法包括：0070获取训练蔬菜种子图像；0071根据所述训练蔬菜种子图像获取支持图像、支持掩膜、问询图像和问询掩膜，其中，所述支持掩膜是指所述支持图像中对象的掩膜，所述问询掩膜是指所述问询图像中所述对象的掩膜；0072利用所述蔬菜种子图像分割模型对所述支持图像和所述问询图像进行处理以。
30、获取支持特征和问询特征；0073根据所述支持特征、所述问询特征、所述支持掩膜和所述问询掩膜对所述蔬菜种子图像分割模型进行训练。0074本发明提供的根据所述训练蔬菜种子图像获取支持图像、支持掩膜、问询图像和问询掩膜包括：0075从所述训练蔬菜种子图像中获取至少两张蔬菜种子图像作为所述支持图像；0076获取所述支持图像中所述对象的掩膜作为所述支持掩膜；0077对所述支持图像和所述支持掩膜进行相同的变换以得到所述问询图像和所述问询掩膜；0078根据所述支持特征、所述问询特征、所述支持掩膜和所述问询掩膜对所述蔬菜种子图像分割模型进行训练包括：0079采用对比学习和原型学习策略对所述蔬菜种子图像分割模型。
31、进行训练，在训练中采用的损失函数由所述支持特征、所述问询特征、所述支持掩膜和所述问询掩膜决定；0080所述蔬菜种子图像中的待分割对象与所述对象的类型相同或不同。说明书5/6 页9CN 116612105 A90081本发明应用实施例通过对蔬菜种子图像进行增强处理方法采集到的蔬菜种子图像训练变分自编码网络，将待增强蔬菜种子图像送入变分自编码网络，获得多维特征分布，可以通过改变第一维度特征分布的采样值可以得到边缘梯度大小不同的蔬菜种子图像；由待增强蔬菜种子图像中的细节区域和非细节区域梯度信息获得加权系数，根据加权系数对待增强蔬菜种子图像的细节图和非细节图进行加权融合，得到增强蔬菜种子图像，提高了蔬。
32、菜种子图像细节区域的增强效果，可以准确地获得蔬菜种子图像的边缘和纹理信息；同时，通过对蔬菜种子图像进行分割方法利用第一蔬菜种子图像及其标注掩膜和待分割的第二蔬菜种子图像作为孪生深度学习网络的输入数据，通过孪生深度学习网络对输入数据进行处理获取第二蔬菜种子图像的精准分割结果。0082应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或D。
33、VDROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。0083以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。说明书6/6 页10CN 116612105 A10图1图2说明书附图1/2 页11CN 116612105 A11图3说明书附图2/2 页12CN 116612105 A12。