1.基于深度迁移学习的植物气孔密度和开度识别方法，其特征在于：

1)将双目标气孔图像导入模块导入的双目标气孔图像数据分为训练集、验证集和测试集，并对训练集和验证集进行气孔及气孔内壁双目标边界框标注；

2)采用迁移学习，在VOC数据集对YOLOv4网络结构进行预训练，读取、预处理训练集，使用YOLOv4网络结构对气孔图像进行特征提取和训练，并对气孔开度的边界框进行预测，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，保存当前模型；

3)载入训练后的模型，通过气孔智能定位及密度检测模块，对测试集图像进行气孔及气孔内壁双目标精准识别定位，计算得到气孔密度；用户可通过检测识别后的图像判断边界框标注的实际情况；

4)通过气孔开度智能检测及表型数据分析模块对定位后的气孔内壁自动进行抠取，采用图像处理的方法对气孔开度进行拟合计算，获取气孔开度的长、宽、面积和周长，并生成对应的表型数据文件；

5)在人机交互模块，系统将检测定位及拟合的效果可视化呈现给用户，用户可根据可视化效果，结合自身需求，进行适当的参数调整，适当调整气孔开度目标最小存在节能型，以及非极大值抑制的大小，并返回步骤3)，直至用户满意；同时系统自动更新表型数据文件；

其中，上述植物气孔密度和开度识别方法是基于植物气孔密度和开度识别系统实现的，该识别系统包括双目标气孔图像导入模块、气孔智能定位及密度检测模块、气孔开度智能检测及表型数据分析模块、人机交互模块；

其中，所述双目标气孔图像导入模块：用于从本地文件中上传含有气孔及气孔内壁的待检测气孔图像数据，根据用户需求，可选择单张或批量上传；

所述气孔智能定位及密度检测模块：用于对用户上传的气孔图像进行气孔及气孔内壁的自动识别定位，并自动生成气孔密度数据；

所述气孔开度智能检测及表型数据分析模块：用于对定位到的气孔内壁进行智能分析，获取气孔开度的表型数据，气孔开度的表型数据主要是气孔开度的长、宽、面积和周长；

所述人机交互模块：用于将识别定位结果以及拟合结果可视化呈现，用户可根据可视化结果结合自身需求进行适当地模型参数调整；其中可调整的模型参数主要是非极大抑制值；调整后，系统自动更新表型数据。

2.根据权利要求1所述的基于深度迁移学习的植物气孔密度和开度识别方法，其特征在于：步骤1)具体包括：(1.1)数据的获取：采集自然环境中生长的植物表皮样本数据，使用生物试剂，在保证获取植物细胞气孔的活跃性的情况下拍摄植物细胞的光学显微镜图像；

(1.2)利用标注工具LabelImg，对数据集中部分图像的气孔及气孔内壁这两个目标进行双边界框标注；

(1.3)对获取的数据集进行Mosaic数据增强，每次随机读取四张图片，分别对图片进行随机翻转、缩放和色域变化，并且按照随机分布将四张图片放在四个方向进行拼接，生成新的数据集用于模型训练；

(1.4)生成并保存对应的XML标记文件，记录每张光学显微镜图像的所有气孔及气孔内壁的边界框坐标；

(1.5)将带有边界框标注的图像作为训练集和验证集，其余作为测试集。

3.根据权利要求1所述的基于深度迁移学习的植物气孔密度和开度识别方法，其特征在于：步骤2)具体包括：(2.1)在VOC数据集上对YOLOv4网络结构进行预训练，获得初级的网络权重，采用CSPDarknrt‑53网络结构，提取图像特征，得到3个不同尺度的特征图，通过K均值聚类算法从提取后的图像特征中确定先验框尺寸大小；

(2.2)将步骤(2.1)得到的3个特征图进行边界框的位置预测，每个边界框都预测一组类别，并采用逻辑回归做分类器预测每个类别置信度分数，并设置一个阈值，比阈值高的类别记为该边界框真正的类别；

(2.2.1)得到的3个特征图分别通过k(4+1+c)个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；其中卷积核的大小根据需要设定；

(2.2.2)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；

(2.2.3)计算源领域和目标领域的距离为Lst，将得到的距离加入到损失函数中；

(2.3)计算每轮迭代的网络模型的损失函数值；

(2.4)重复上步，直至得到的损失函数值最小，保存该模型。

4.根据权利要求3所述的基于深度迁移学习的植物气孔密度和开度识别方法，其特征在于：步骤3)具体包括：(3.1)载入步骤(2.4)中最终得到的模型，对验证集中的光学显微镜图像进行检测识别定位气孔及气孔内壁；

(3.2)计算每张光学显微镜图像检测到的气孔数量，即为气孔密度。

5.根据权利要求1所述的基于深度迁移学习的植物气孔密度和开度识别方法，其特征在于：步骤3)中气孔及气孔内壁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及气孔内壁是否均被边界框框住、一个气孔及气孔内壁周围是否被多个边界框框住、气孔及气孔内壁是否被完整且精确地框住。

6.根据权利要求1所述的基于深度迁移学习的植物气孔密度和开度识别方法，其特征在于：步骤4)具体包括：(4.1)对步骤(3)中定位到的气孔内壁进行自动抠取，并单独保存气孔内壁图片文件；

(4.2)分别对每张图片进行二值化处理，然后对二值化后的图像寻找轮廓近似，并对找到的轮廓特征进行排序处理，选取至少一个面积较大的轮廓特征进行轮廓加强，然后对其进行有效椭圆近似；

(4.3)在步骤(4.2)的基础上再次进行灰度化、二值化处理，对该图片进行椭圆近似，通过拟合计算获得气孔开度的长、宽、面积、周长，并画在图片中供以后参考对比测量误差，可视化呈现拟合效果。