[發明專利]基于Faster R-CNN的澳洲堅果檢測識別方法

在審

• 申請號: 202310168731.6
• 申請日: 2023-02-27
• 公開（公告）號: CN116152629A
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 李加強;羅鑫;何超;趙龍慶;于海生;陳彥林;徐華偉
• 申請（專利權）人: 西南林業大學
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/25;G06V10/40;G06V10/762;G06V10/764;G06V10/766;G06V10/774;G06V10/80;G06N3/045;G06N3/0464;G06N3/096
• 代理公司: 成都明濤智創專利代理有限公司 51289
• 代理人: 周慧

1.一種基于Faster?R-CNN的澳洲堅果檢測識別方法，其特征在于，包括如下步驟：

S10、獲取林地澳洲堅果圖像數據，進行圖像標注，創建澳洲堅果目標檢測數據集；

S20、采用圖像處理方法擴充數據集，將數據集劃分為訓練集、測試集和驗證集，用于模型訓練、驗證和評估；

S30、對數據集中的待檢測物體尺寸進行統計分析，用于改進區域建議網絡RPN的錨框尺寸設置；

S40、將劃分好的數據集輸入改進Faster?R-CNN模型進行訓練，得到澳洲堅果檢測識別模型；

S50、使用訓練好的澳洲堅果檢測識別模型對待檢測的林地澳洲堅果圖像進行識別。

2.根據權利要求1所述基于Faster?R-CNN的澳洲堅果檢測識別方法，其特征在于，所述步驟S40具體包括如下步驟：

S41、將林地澳洲堅果圖像輸入到特征提取網絡Resnet50，并獲得多尺度的特征圖；

S42、通過特征金字塔網絡FPN對多尺度的特征圖進行特征融合，得到新的特征圖；

S43、將新的特征圖輸入區域建議網絡RPN獲得區域建議框，并將其映射到步驟S42得到的新的特征圖中相應的位置，框選出若干待檢測區域，或稱感興趣區域ROIs；

S44、對區域建議框對應的特征圖進行ROIAlign池化操作，獲得統一尺寸的特征圖，將統一尺寸的特征圖輸入分類子網絡和邊界框回歸子網絡，獲得檢測結果。

3.根據權利要求2所述基于Faster?R-CNN的澳洲堅果檢測識別方法，其特征在于，步驟S41包括如下步驟：

構建特征提取網絡Resnet50，搭建標準的殘差模塊，每個殘差模塊包含一個1×1卷積、一個3×3卷積和一個1×1卷積，卷積層C2、C3、C4、C5分別使用了3、4、6、3個上述殘差模塊，卷積層C1層則包括一個7×7卷積和一個3×3最大池化；

將待檢測的林地澳洲堅果圖像輸入到特征提取網絡Resnet50，經過卷積層C1、C2、C3、C4和C5依次生成特征圖Conv1、Conv2_x、Conv3_x、Conv4_x和Conv5_x。

4.根據權利要求3所述基于Faster?R-CNN的澳洲堅果檢測識別方法，其特征在于，步驟S42包括如下步驟：

特征圖Conv5_x經1×1卷積調整特征通道數并得到特征圖M5，使用上采樣操作調整特征圖M5的特征圖尺寸，使之與特征圖Conv4_x的特征圖尺寸一致，再與經過1×1卷積調整特征通道數的特征圖Conv4_x進行拼接得到特征圖M4，完成一次相鄰特征層的特征融合，采用相同操作，依次完成剩下特征圖Conv4_x至Conv2_x的特征融合，最終依次得到特征圖M5、M4、M3和M2，將特征圖M2、M3、M4和M5分別經過3×3卷積得到特征圖P2、P3、P4和P5，將特征圖P5進行最大池化得到特征圖P6。

5.根據權利要求4所述基于Faster?R-CNN的澳洲堅果檢測識別方法，其特征在于，在步驟S40中采用遷移學習方法訓練模型，訓練時加載ResNet50在VOC數據集上的預訓練權重。