CN112101442A - 一种基于花蕊检测的花朵计数方法 - Google Patents
一种基于花蕊检测的花朵计数方法 Download PDFInfo
- Publication number
- CN112101442A CN112101442A CN202010939539.9A CN202010939539A CN112101442A CN 112101442 A CN112101442 A CN 112101442A CN 202010939539 A CN202010939539 A CN 202010939539A CN 112101442 A CN112101442 A CN 112101442A
- Authority
- CN
- China
- Prior art keywords
- pistil
- region
- network
- regions
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Abstract
本发明公开了一种基于花蕊检测的花朵计数方法,所述方法包括以下步骤:步骤(1):收集需要计数的花卉图像样本,并且标记花蕊区域所在的位置及类别,制作数据集;步骤(2):根据步骤(1)制作的数据集,利用Faster‑RCNN目标检测网络训练数据集,使得网络可以准确识别图像中的花蕊区域类别及分值;步骤(3):根据步骤(2)训练完成的网络,将待计数的图像输入网络,获取每一个识别出的花蕊区域的类别及分值,通过筛选确定图像中的花蕊数量及对应类别,从花蕊的数量进而确定花朵数量。本发明,通过Faster‑RCNN来训练针对花蕊区域的定位及识别,可以有效减少由于背景及遮挡对花朵的影响,提高计数的准确率。
Description
技术领域
本发明涉及计算机视觉和图像识别领域,尤其涉及一种基于花蕊检测的花朵计数方法。
背景技术
花朵计数在机械采摘,自动捆扎等方面均起到关键性作用。但由于花瓣之间遮挡,以及枝干树叶的干扰,想要完整分离出一捆花的每一个花朵难度很大,目前除了利用传统人工计数以外,还没有很好的花朵计数方法。人工计数成本高,不利于自动化生产,且容易出现差错。针对多种花朵混合的情况,人工出错的概率更高。
发明内容
针对现有技术的不足,本发明提供一种花蕊检测的花朵计数方法,适用于花蕊区域可见的花朵计数。所述方法具有很强的抗遮挡,抗干扰能力,计数准确率及效率大幅提升。为解决上述技术问题,本发明的技术方案如下:一种基于花蕊检测的花朵计数方法,所述方法包括以下步骤:
步骤(1):收集需要计数的花卉图像样本,并且标记花蕊区域所在的位置及类别,制作数据集;
步骤(2):根据步骤(1)制作的数据集,利用Faster-RCNN目标检测网络训练数据集,使得网络可以准确识别图像中的花蕊区域类别及分值;
步骤(3):根据步骤(2)训练完成的Faster-RCNN网络,将待计数的图像输入网络,获取每一个识别出的花蕊区域的类别及分值,通过筛选确定图像中的花蕊数量及对应类别,从花蕊的数量进而确定花朵数量;
作为对上述方案的进一步描述:步骤(1)中每张图片中提取的花蕊区域位置及类型通过x,y,h,w,c五个数值表示,其中x表示花蕊区域左上角的横坐标,y表示花蕊区域左上角的纵坐标,h代表花蕊区域的高度,w代表花蕊区域的宽度,c代表花蕊区域的类别;其中图像以左上角为坐标原点,向下为纵轴,向右为横轴,类别从0开始,依次为1,2…;通过图像处理技术将图像尺寸全部调整为224*224像素;并将每幅图像的像素点进行标准化,均值为0,标准差为1。
作为对上述方案的进一步描述:步骤(2)中利用数据集训练Faster-RCNN目标检测网络,特征提取网络采用ResNet101,锚点的种类设置为9种,三种面积分别是32*32,64*64和128*128,三种长宽比分别是1∶1,1∶1.5,1.5∶1;IOU大于0.8为正样本,小于0.2为负样本;在训练RPN时,随机抽取128个正样本及128个负样本进行训练;最后的分类器采用softmax分类器,训练完成后,将训练好的模型保存。
作为对上述方案的进一步描述:步骤(3)中对于待计数的图像,先将尺寸裁剪为224*224像素,然后将像素点进行标准化,均值为0,标准差为1,然后输入Faster-RCNN网络;获取所有识别出的花蕊区域的类别和分值,其中分值采用百分制,表示该区域最有可能属于某类花蕊的概率;根据实际情况,将不属于图像中的类别所对应的花蕊区域删除,同时将低于80%分值的花蕊区域删除,最后将剩余的花蕊区域进行统计,获取每个花蕊类型对应的数量,从而获得该图像中每类花朵的个数,完成计数。
与现有技术相比,本发明具有以下有益效果:
1、花蕊区域一般不易受到背景的干扰,且被花瓣遮挡的概率较小,利用花蕊区域计数来代替整个花朵的计数,可以有效提升计数准确率及效率。
2、本发明通过Faster-RCNN对一捆花的俯视图图像进行花蕊区域判别,可以获得图像中每个花蕊区域所对应的类别及概率。Faster-RCNN网络具有很强的花蕊区域判别及分类能力,不但可以自动定位花蕊区域,而且可以识别多种不同花蕊类型,可以对多个类型的花朵同时计数。极大提升了识别的效率。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案做进一步详细说明,但本发明并不局限于以下技术方案。
实施例1
步骤(1):收集需要计数的花卉图像样本,样本中可以包含一朵或者多朵,一种或者多种花朵类型,每个花朵的花蕊区域需要可见,标记每个花蕊区域所在的位置及类别。具体标记方式为每张图片中提取的花蕊区域位置及类型通过x,y,h,w,c五个数值表示,其中x表示花蕊区域左上角的横坐标,y表示花蕊区域左上角的纵坐标,h代表花蕊区域的高度,w代表花蕊区域的宽度,c代表花蕊区域的类别。其中图像以左上角为坐标原点,向下为纵轴,向右为横轴,类别从0开始,依次为1,2等。然后通过图像处理技术将图像尺寸全部调整为224*224像素。并将每幅图像的像素点进行标准化,均值为0,标准差为1。最后制作数据集;
步骤(2):根据步骤(1)制作的数据集,利用Faster-RCNN目标检测网络训练数据集,使得网络可以准确识别图像中的花蕊区域类别及分值;训练时,特征提取网络采用ResNet101,锚点的种类设置为9种,三种面积分别是32*32,64*64,128*128,三种长宽比分别是1∶1,1∶1.5,1.5∶1。IOU大于0.8为正样本,小于0.2为负样本。在训练RPN时,随机抽取128个正样本及128个负样本进行训练。最后的分类器采用softmax分类器。训练完成后,将训练好的模型保存
步骤(3):根据步骤(2)训练完成的Faster-RCNN网络,将待计数的图像输入网络。该图像一般为俯视图,以清晰看到每朵花的花蕊区域为佳,将待计数的图像尺寸裁剪为224*224像素,然后将像素点进行标准化,均值为0,标准差为1。输入Faster-RCNN网络后,获取所有识别出的花蕊区域的类别和分值,其中分值采用百分制,表示该区域最有可能属于某类花蕊的概率。根据实际情况,将不属于图像中的类别所对应的花蕊区域删除,同时将低于80%分值的花蕊区域删除,最后将剩余的花蕊区域进行统计,获取每个花蕊类型对应的数量,从而获得该图像中每类花朵的个数,完成计数
以上所述,仅为本申请较佳的具体实施方式,但本申请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申请揭露的技术范围内,根据本申请的技术方案及其实用新型构思加以等同替换或改变,都应涵盖在本申请的保护范围之内。
Claims (4)
1.一种基于花蕊检测的花朵计数方法,其特征在于,所述方法包括以下步骤:
步骤(1):收集需要计数的花卉图像样本,并且标记花蕊区域所在的位置及类别,制作数据集;
步骤(2):根据步骤(1)制作的数据集,利用Faster-RCNN目标检测网络训练数据集,使得网络可以准确识别图像中的花蕊区域类别及分值;
步骤(3):根据步骤(2)训练完成的Faster-RCNN网络,将待计数的图像输入网络,获取每一个识别出的花蕊区域的类别及分值,通过筛选确定图像中的花蕊数量及对应类别,从花蕊的数量进而确定花朵数量;
2.根据权利要求1所述一种基于花蕊检测的花朵计数方法,其特征在于,步骤(1)中每张图片中提取的花蕊区域位置及类型通过x,y,h,w,c五个数值表示,其中x表示花蕊区域左上角的横坐标,y表示花蕊区域左上角的纵坐标,h代表花蕊区域的高度,w代表花蕊区域的宽度,c代表花蕊区域的类别;其中图像以左上角为坐标原点,向下为纵轴,向右为横轴,类别从0开始,依次为1,2…;通过图像处理技术将图像尺寸全部调整为224*224像素;并将每幅图像的像素点进行标准化,均值为0,标准差为1。
3.根据权利要求1所述一种基于花蕊检测的花朵计数方法,其特征在于,步骤(2)中利用数据集训练Faster-RCNN目标检测网络,特征提取网络采用ResNet101,锚点的种类设置为9种,三种面积分别是32*32,64*64和128*128,三种长宽比分别是1∶1,1∶1.5,1.5∶1;IOU大于0.8为正样本,小于0.2为负样本;在训练RPN时,随机抽取128个正样本及128个负样本进行训练;最后的分类器采用softmax分类器,训练完成后,将训练好的模型保存。
4.根据权利要求1所述一种基于花蕊检测的花朵计数方法,其特征在于,步骤(3)中对于待计数的图像,先将尺寸裁剪为224*224像素,然后将像素点进行标准化,均值为0,标准差为1,然后输入Faster-RCNN网络;获取所有识别出的花蕊区域的类别和分值,其中分值采用百分制,表示该区域最有可能属于某类花蕊的概率;根据实际情况,将不属于图像中的类别所对应的花蕊区域删除,同时将低于80%分值的花蕊区域删除,最后将剩余的花蕊区域进行统计,获取每个花蕊类型对应的数量,从而获得该图像中每类花朵的个数,完成计数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939539.9A CN112101442A (zh) | 2020-09-09 | 2020-09-09 | 一种基于花蕊检测的花朵计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939539.9A CN112101442A (zh) | 2020-09-09 | 2020-09-09 | 一种基于花蕊检测的花朵计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101442A true CN112101442A (zh) | 2020-12-18 |
Family
ID=73751111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010939539.9A Pending CN112101442A (zh) | 2020-09-09 | 2020-09-09 | 一种基于花蕊检测的花朵计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101442A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063378A (zh) * | 2022-06-27 | 2022-09-16 | 中国平安财产保险股份有限公司 | 智能点数方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182763A (zh) * | 2014-08-12 | 2014-12-03 | 中国计量学院 | 一种基于花朵特征的植物种类识别系统 |
CN111539422A (zh) * | 2020-04-13 | 2020-08-14 | 南京理工大学 | 基于Faster RCNN的飞行目标协同识别方法 |
-
2020
- 2020-09-09 CN CN202010939539.9A patent/CN112101442A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182763A (zh) * | 2014-08-12 | 2014-12-03 | 中国计量学院 | 一种基于花朵特征的植物种类识别系统 |
CN111539422A (zh) * | 2020-04-13 | 2020-08-14 | 南京理工大学 | 基于Faster RCNN的飞行目标协同识别方法 |
Non-Patent Citations (1)
Title |
---|
任意平等: "基于花蕊区域定位的花卉识别方法", 《电子测量计数》, vol. 43, no. 7, 8 April 2020 (2020-04-08), pages 2 - 5 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063378A (zh) * | 2022-06-27 | 2022-09-16 | 中国平安财产保险股份有限公司 | 智能点数方法、装置、设备及存储介质 |
CN115063378B (zh) * | 2022-06-27 | 2023-12-05 | 中国平安财产保险股份有限公司 | 智能点数方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN109916913A (zh) | 一种基于机器视觉的智能制造产品识别与检测方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN110400322A (zh) | 基于颜色和三维几何信息的水果点云分割方法 | |
CN112990103A (zh) | 一种基于机器视觉的串采二次定位方法 | |
CN113111796B (zh) | 一种芽生孢子的自动细化标注类别的检测识别方法 | |
CN113191334B (zh) | 一种基于改进CenterNet的植物冠层密集叶片计数方法 | |
CN103177266A (zh) | 储藏物害虫智能识别系统 | |
CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
CN111929299A (zh) | 一种基于机器视觉的农产品种植分析管理系统 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
CN112101442A (zh) | 一种基于花蕊检测的花朵计数方法 | |
CN114708208A (zh) | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 | |
CN109615610B (zh) | 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法 | |
CN113920190A (zh) | 银杏花穗定向方法及系统 | |
CN113378831B (zh) | 一种小鼠胚胎器官识别与评分方法与系统 | |
CN113033417A (zh) | 一种妇科微生态中孢子的检测识别方法、设备及存储介质 | |
CN113191352A (zh) | 一种基于目标检测和二值图像检测的水表指针读数识别方法 | |
CN112580659A (zh) | 一种基于机器视觉的矿石识别方法 | |
CN111627059A (zh) | 一种棉花叶片中心点位置定位方法 | |
US20140072184A1 (en) | Automated image identification method | |
CN116524344A (zh) | 一种基于rgb-d信息融合的番茄串采摘点检测方法 | |
CN104493874A (zh) | 一种白纸疵点裁切区域的自动定位方法 | |
CN114140417A (zh) | 一种基于机器视觉的香烟滤棒识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |