1.一种植物气孔智能检测与识别系统，其特征在于：包括以下模块：导入图像模块，使得用户从本地文件中选择需要检测和识别的单张光学显微镜图像；

气孔检测模块，系统自动对导入的图像进行气孔检测和识别，以及气孔形态处理计算，并保存处理后的图像和结果文件；

批量处理与显示模块，使得用户从本地文件中选择一个或多个目录下的多张光学显微镜图像，系统自动对导入目录下的所有图像进行气孔检测和识别，以及气孔形态处理计算，并显示批量处理后的全部光学显微镜图像，保存处理后的全部图像和结果文件；

模型参数调整模块，使得用户自定义合适的模型参数；

显示检测与识别详细信息模块，显示检测与识别后的单张光学显微镜图像和该图像中每个气孔的形态计算详细结果。

2.一种基于深度迁移学习的植物气孔智能检测与识别的方法，其特征在于：包括如下步骤：

1)将来自导入图像模块的植物叶表皮的细胞扫描光学显微镜图像分成训练集、验证集、测试集，并分别对训练集和验证集进行气孔边界框的人工标注；

2)读取、预处理训练集，使用YOLOv3网络结构对光学显微镜图像进行特征提取和气孔表型性状的边界框预测；

3)采用深度迁移学习，结合YOLOv3网络结构构建预训练模型，对训练集的全部光学显微镜图像进行训练，计算每次迭代的网络模型的损失函数值，直至损失函数值收敛到最小，即保存当前模型；

4)载入训练后的模型，通过气孔检测模块对测试集光学显微镜图像进行气孔检测，并将气孔表型性状的边界框标注的实际情况反馈给用户；

用户通过检测后的图像即可判断边界框标注的实际情况；其中，气孔表型性状的边界框标注的实际情况具体有：在模型检测过程中光学显微镜图像中的所有气孔是否均被边界框框住、一个气孔周围是否被多个边界框框住、气孔表型性状是否被完整且精确地框住。

5)通过模型参数调整模块，用户参与参数调整，对测试集进行检测：若用户对气孔表型性状的检测与识别结果满意，则停止调整参数，计算并得到气孔尺寸、坐标、密度信息，并由显示检测与识别详细信息模块进行信息显示；若不满意，则用户可以根据需要，调整气孔目标最小存在可能性，以及非极大值抑制的大小，并返回步骤4)，直至用户满意。

3.根据权利要求2所述的植物气孔智能检测与识别方法，其特征在于：步骤1)具体包括：(11)根据需要选取n个自交系的m张植物表皮细胞的光学显微镜图像,其中n≥1，m≥1；

(12)将其按照用户指定的图像数量比例分为训练数据集、验证数据集和测试数据集；

(13)利用标注工具LabelImg，对训练数据集和验证数据集的部分光学显微镜图像的所有气孔表型性状进行人工标注边界框；

(14)生成并保存对应的XML标记文件，便于记录每张光学显微镜图像的所有气孔表型性状的边界框坐标。

4.根据权利要求2所述的植物气孔智能检测与识别方法，其特征在于：步骤2)具体包括：(21)读取训练集全部光学显微镜图像，并根据用户所期望得到的图像目标分辨率，并对图像尺寸进行调整；

(22)将在COCO数据集上的YOLOv3网络结构进行预训练模型、自定义光学显微镜图像训练集分别当作源领域Ds和目标领域Dt；

(23)采用Darknet-53网络结构的前52层，对Ds与Dt进行特征数据混合并提取两个域中的共同特征，得到3个不同尺度的特征图；

(24)通过K均值聚类算法从提取后的特征中确定先验框尺寸大小；

(25)将步骤(23)中得到的3个特征图分别通过k(4+1+c)个大小为11的卷积核进行边界框的位置预测，其中k为预设边界框，即初始聚类中心，c为预测目标的类别数；

(26)建立领域自适应，在步骤(23)和(25)间加入自适应层使得Ds和Dt的特征分布更加接近，计算Ds和Dt的距离为Lst；

(27)每个边界框都预测一组类别，并采用逻辑回归作分类器预测每个类别置信度分数，并设置一个阈值，比阈值高的类别即为该边界框真正的类别；

(28)预测3种不同尺寸下的边界框，并输出张量为：

N×N×[3(boffset+s+c)]，其中N×N为网格数，boffset为边框坐标，s为边界框置信度得分。

5.根据权利要求2所述的植物气孔智能检测与识别方法，其特征在于：步骤3)具体包括：(31)设置全部训练集的训练所需的迭代轮数为p，一次读入的光学显微镜图像数量为q张，其中p≥1，q≥1；

(32)将步骤(26)得到的Lst加入到损失函数中，计算每轮迭代的网络模型的损失函数值；

(33)重复步骤(32)，直至得到的损失函数值最小，即保存该模型。