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 PDF

Info

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
Application number
CN202010939539.9A
Other languages
English (en)
Inventor
尚振宏
夏国强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202010939539.9A priority Critical patent/CN112101442A/zh
Publication of CN112101442A publication Critical patent/CN112101442A/zh
Pending legal-status Critical Current

Links

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

一种基于花蕊检测的花朵计数方法
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。
CN202010939539.9A 2020-09-09 2020-09-09 一种基于花蕊检测的花朵计数方法 Pending CN112101442A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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