[發(fā)明專利]基于Faster R-CNN的澳洲堅果檢測識別方法

在審

• 申請?zhí)枺?/td>: 202310168731.6
• 申請日: 2023-02-27
• 公開（公告）號: CN116152629A
• 公開（公告）日: 2023-05-23
• 發(fā)明（設(shè)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(quán)）人: 西南林業(yè)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(chuàng)專利代理有限公司 51289
• 代理人: 周慧

本發(fā)明公開了一種基于Faster?R?CNN的澳洲堅果檢測識別方法，包括如下步驟：S10、獲取林地澳洲堅果圖像數(shù)據(jù)，進行圖像標注，創(chuàng)建澳洲堅果目標檢測數(shù)據(jù)集；S20、采用圖像處理方法擴充數(shù)據(jù)集；S30、對數(shù)據(jù)集中的待檢測物體尺寸進行統(tǒng)計分析，用于改進區(qū)域建議網(wǎng)絡(luò)RPN的錨框尺寸設(shè)置；S40、將劃分好的數(shù)據(jù)集輸入改進Faster?R?CNN模型進行訓(xùn)練，得到澳洲堅果檢測識別模型；S50、使用訓(xùn)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。本發(fā)明綜合參考了其他目標檢測技術(shù)的改進方案，針對澳洲堅果這一特定檢測對象，對Faster?R?CNN檢測方法進行改進優(yōu)化，提高了檢測精度，取得明顯的檢測識別效果。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像檢測技術(shù)領(lǐng)域，特別是一種基于Faster?R-CNN的澳洲堅果檢測識別方法。

背景技術(shù)

澳洲堅果(Macadamia)是目前世界上經(jīng)濟價值較高的食用干果。我國自上世紀80年代開始澳洲堅果的引種和商業(yè)性開發(fā)工作，經(jīng)過近40年的持續(xù)努力，已成為全球最大的澳洲堅果種植基地；隨著堅果種植面積擴大以及掛果率的提升，依賴人工很難滿足采收需求，未來必然要采用機械化、智能化的農(nóng)林裝備才能適應(yīng)大規(guī)模高強度的作業(yè)需求，而實現(xiàn)堅果自動化、智能化采收的首要條件是對堅果目標的精準識別。

基于深度學習的目標檢測技術(shù)在農(nóng)林領(lǐng)域有較為廣泛應(yīng)用，但是少有針對澳洲堅果檢測識別的相關(guān)研究。現(xiàn)階段的技術(shù)方案主要分為二階段檢測方法和一階段檢測方法：二階段方法有較高的精度，但是檢測速度較慢、計算成本高；一階段方法的優(yōu)點在于檢測速度快，但是精度不如二階段方法。

由于澳洲堅果的生長環(huán)境較為復(fù)雜，果實易被葉片遮擋，且果實密集粘連程度高、果實小，嚴重影響目標檢測及定位的精度，因此針對澳洲堅果檢測識別方法的研究需重點應(yīng)在于解決模型檢測識別精度和魯棒性。

發(fā)明內(nèi)容

為解決現(xiàn)有技術(shù)中存在的澳洲堅果的生長環(huán)境較為復(fù)雜，果實易被葉片遮擋，且果實密集粘連程度高、果實小，嚴重影響目標檢測及定位的精度的問題，本發(fā)明提供了一種基于Faster?R-CNN的澳洲堅果檢測識別方法。

本發(fā)明采用的技術(shù)方案是：

一種基于Faster?R-CNN的澳洲堅果檢測識別方法，包括如下步驟：

S10、獲取林地澳洲堅果圖像數(shù)據(jù)，進行圖像標注，創(chuàng)建澳洲堅果目標檢測數(shù)據(jù)集；

S20、采用圖像處理方法擴充數(shù)據(jù)集，將數(shù)據(jù)集劃分為訓(xùn)練集、測試集和驗證集，用于模型訓(xùn)練、驗證和評估；

S30、對數(shù)據(jù)集中的待檢測物體尺寸進行統(tǒng)計分析，用于改進區(qū)域建議網(wǎng)絡(luò)RPN的錨框尺寸設(shè)置；

S40、將劃分好的數(shù)據(jù)集輸入改進Faster?R-CNN模型進行訓(xùn)練，得到澳洲堅果檢測識別模型；

S50、使用訓(xùn)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。

優(yōu)選的，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(wǎng)絡(luò)Resnet50，并獲得多尺度的特征圖；

S42、通過特征金字塔網(wǎng)絡(luò)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?yún)^(qū)域建議網(wǎng)絡(luò)RPN獲得區(qū)域建議框，并將其映射到步驟S42得到的新的特征圖中相應(yīng)的位置，框選出若干待檢測區(qū)域，或稱感興趣區(qū)域ROIs；

S44、對區(qū)域建議框?qū)?yīng)的特征圖進行ROIAlign池化操作，獲得統(tǒng)一尺寸的特征圖，將統(tǒng)一尺寸的特征圖輸入分類子網(wǎng)絡(luò)和邊界框回歸子網(wǎng)絡(luò)，獲得檢測結(jié)果。

優(yōu)選的，步驟S41包括如下步驟：