CN112149727A - 一种基于Mask R-CNN的青椒图像检测方法 - Google Patents
一种基于Mask R-CNN的青椒图像检测方法 Download PDFInfo
- Publication number
- CN112149727A CN112149727A CN202010999754.8A CN202010999754A CN112149727A CN 112149727 A CN112149727 A CN 112149727A CN 202010999754 A CN202010999754 A CN 202010999754A CN 112149727 A CN112149727 A CN 112149727A
- Authority
- CN
- China
- Prior art keywords
- green pepper
- mask
- cnn
- target
- picking
- 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
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 title claims abstract description 88
- 240000008384 Capsicum annuum var. annuum Species 0.000 title claims abstract description 88
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005286 illumination Methods 0.000 claims abstract description 5
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 15
- 230000001965 increasing effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 3
- 235000013399 edible fruits Nutrition 0.000 description 46
- 230000006870 function Effects 0.000 description 6
- 230000009191 jumping Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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]
Abstract
本发明提供了一种基于Mask R‑CNN的青椒图像检测方法,包括如下步骤:采集不同光照条件下的青椒图像;对采集的青椒图像进行图像预处理并形成样本集;将样本集划分测试集和训练集;将训练集输入到初始Mask R‑CNN模型中进行训练,检测图像中的青椒目标,得到基于青椒图像的Mask R‑CNN检测青椒目标的模型;将测试集对以及训练好的Mask R‑CNN模型进行测试并调整至模型收敛,得到最终Mask R‑CNN训练模型;对识别得到的青椒目标进行定位,确定青椒的坐标信息,然后通过采摘序列算法对其进行采摘序列排序。本申请能够有效提高基于视觉检测的采摘设备的采摘效率,能够有效降低采摘成本。
Description
技术领域
本发明涉及农业计算机视觉领域,具体而言,涉及一种基于Mask R-CNN的青椒图像检测方法。
背景技术
传统的农作物识别方法主要是根据研究人员的个人经验,来判断最佳的识别方法和设置参数,这样的识别容易受个人主观影响和小样本因素影响,无法找到农作物的通用特性,也无法运用到实际的农田中,缺乏可操作性。
发明内容
基于此,为了解决采摘效率低下的问题,本发明提供了一种基于Mask R-CNN的青椒图像检测方法,其具体技术方案如下:
一种基于Mask R-CNN的青椒图像检测方法,包括如下步骤:
采集不同光照条件下的青椒图像;
对采集的青椒图像进行图像预处理并形成样本集;
将样本集划分测试集和训练集;
将训练集输入到初始Mask R-CNN模型中进行训练,检测图像中的青椒目标,得到基于青椒图像的Mask R-CNN检测青椒目标的模型;
将测试集对已经训练好的Mask R-CNN模型进行测试并调整至模型收敛,得到最终Mask R-CNN训练模型;
对识别得到的青椒目标进行定位,确定青椒的坐标信息,然后通过采摘序列算法对其进行采摘序列排序。
进一步地,所述不同光照条件下的青椒图像包括早晨、中午、傍晚以及晚上大棚灯照条件下的青椒图像。
进一步地,所述图像预处理包括以下一种或多种的组合:翻转、拉伸、调节亮度、增加噪声点干扰以及抖动。
进一步地,将样本集按照PASCAL VOC数据集格式划分为测试集和训练集。
进一步地,所述初始Mask R-CNN模型包括预训练好的ResNet。
进一步地,将训练集输入到预训练好的ResNet中,得到对应的特征面;接着对所述特征面中的每一个点设定预定的ROI,得到多个候选ROI。
进一步地,对候选ROI进行二值分类,过滤掉部分候选ROI,并得到目标ROI。
进一步地,对所述目标ROI进行ROI Align操作,并对所述目标ROI进行分类、回归以及mask生成。
进一步地,所述采摘序列算法包括过滤不符合目标的青椒。
进一步地,所述目标包括未成熟或不符合尺寸值。
本申请相比于现有技术的有益效果如下:
1、基于Mask R-CNN的检测算法,对青椒目标的检测识别率,识别速度快,能够从复杂的环境下对青椒的特征学习,增强了青椒识别模型的鲁棒性。
2、本申请采集的图像按照标准数据集格式进行划分,可以重复利用该样本集,避免了多次采集图像的成本,并且训练方便,重复利用;
3、使用Mask R-CNN的训练模型对青椒图像进行检测识别速度快,满足了机器手臂的高速性和实时性,本模型对每张图像的青椒目标检测平均耗时为百毫秒级,并且对青椒识别的精度可达到90%以上,所以完全可以满足实际运用要求;
4、Mask R-CNN的强大学习能力,通过对青椒特征的学习,可以简单快速分辨出成熟和未成熟的青椒,避免未成熟或较小的青椒被误采;
5、本申请在识别青椒目标后加入了目标位置定位,并且引入了采摘序列算法,通过对图像中的青椒目标位置信息来确定机器手臂的采摘序列,采摘序列的确定加快了采摘速度,并且节省了机器人不必要的运动轨迹。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1是本发明实施例之一中种基于Mask R-CNN的青椒图像检测方法的采摘序列算法的流程图;
图2是本发明实施例之一中种基于Mask R-CNN的青椒图像检测方法的采摘序列算法的S1步聚类分蔟示意图;
图3是本发明实施例之一中种基于Mask R-CNN的青椒图像检测方法的采摘序列算法的S2步采用贪婪算法的果实蔟序列规划示意图;
图4是本发明实施例之一中种基于Mask R-CNN的青椒图像检测方法的采摘序列算法的S3步四象限法则与距离加权择优示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明。应当理解的是,此处所描述的具体实施方式仅用以解释本发明,并不限定本发明的保护范围。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序,仅仅是用于名称的区分。
ROI(region of interest),感兴趣区域。
ROI Align,Mask R-CNN模型中常用的一种技术手段,具体为取消量化操作,使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作。
如图1-4所示,本发明一实施例中的一种基于Mask R-CNN的青椒图像检测方法,包括如下步骤:
1)采集不同光照条件下的青椒图像;
2)对采集的青椒图像进行图像预处理并形成样本集;
3)将样本集划分测试集和训练集;
4)将训练集输入到初始Mask R-CNN模型中进行训练,检测图像中的青椒目标,得到基于青椒图像的Mask R-CNN检测青椒目标的模型;
5)将测试集对以及训练好的Mask R-CNN模型进行测试并调整至模型收敛,得到最终Mask R-CNN训练模型;
6)对识别得到的青椒目标进行定位,确定青椒的坐标信息,然后通过采摘序列算法对其进行采摘序列排序。
在其中一个实施例中,所述不同光照条件下的青椒图像包括早晨、中午、傍晚以及晚上大棚灯照条件下的青椒图像。
在其中一个实施例中,因为训练数据集需要大量数据,所以对采集的图像进行图像预处理以达到数据增强的目的,所述图像预处理包括以下一种或多种的组合:翻转、拉伸、调节亮度、增加噪声点干扰以及抖动。这样就可以扩大样本集,更好的应对实际复杂的情况。
在其中一个实施例中,将样本集按照PASCAL VOC数据集格式划分为测试集和训练集。PASCAL VOC(pattern analysis,statistical modelling and computationallearning visual object classes)模式分析,统计建模,计算学习视觉物体分类。
在其中一个实施例中,所述初始Mask R-CNN模型包括预训练好的ResNet。ResNet(Residual Network)残差网络。
在其中一个实施例中,将训练集输入到预训练好的ResNet中,得到对应的特征面;接着对这个特征面中的每一个点设定预定的ROI,得到多个候选ROI。
在其中一个实施例中,对候选ROI进行二值分类,过滤掉部分候选ROI,并得到目标ROI。
在其中一个实施例中,对所述目标ROI进行ROI Align操作,并对所述目标ROI进行分类、回归以及mask生成。
在其中一个实施例中,所述采摘序列算法会过滤不符合目标的青椒。
在其中一个实施例中,所述目标包括未成熟或不符合尺寸值。
在其中一个实施例中还提供有一种采摘序列算法,其流程如图1所示,包括如下步骤:
S10步,计算采摘目标与其余采摘目标的距离,将距离小于等于聚类阈值k的两个采摘目标归纳为同一果实蔟,从而对所有采摘目标进行聚类分蔟,如图2所示。
包括如下分步骤:
S11步,将已知采摘目标的空间坐标放置在集合G={G1,G2,G3...Gn},其中Gn=(xn,yn,zn),n为采摘目标总数;
S12步,将所有采摘目标的X轴坐标值按升序排序得到集合O={x1,x2...xn},根据集合O排序更新集合G={G1,G2,G3...Gn};
S13步,设定聚类阈值k,聚类阈值k优选设定为末端执行器在水平面上的最小抓取间距与果蔬最大包围体直径之和;可通过采用点云库中随机样本一致性算法拟合出果蔬最大包围体,从而获得果蔬最大包围体直径;
将每一个采摘目标都作为一个果实蔟,得到果实蔟集合W={w1,w2...wn},wn={Gn};
S14步,初始化间距值a为1;
S15步,计算集合O内xi与xj的差值Cij=|xi-xj|,其中j=i+a,i∈[1,n-a],j∈[1+a,n];得到差值集合C={C1(1+a),C2(2+a),...C(n-a)n};
S16步,分别判断各个差值Cij与聚类阈值k与的大小:
若Cij≤k,则计算坐标Gi与Gj的欧氏距离
比较欧氏距离Lij与聚类阈值k的大小:
若Lij<k,则将xi对应的果实蔟与xj对应的果实簇归纳为同一个果实蔟;
若Lij≥k,则xi和xj对应的果实簇均不变;
若Cij>k,则欧氏距离Lij=∞,xi和xj对应的果实簇均不变;
S17步,更新果实蔟集合W={w1,w2...wv},wp={G1,G2...Gdp},其中p∈[1,v],v为更新后的果实簇总数,v<n,dp为果实蔟wp内采摘目标数目;
S18步,判断所有Cij是否均大于k:若是,则跳至S20步;否则使a增加1并跳至S15步。
由于两个采摘目标连成的直线在任意一条轴上的投影皆小于两个采摘目标之间的欧氏距离;因此本发明中,优先判断两个采摘目标在X轴上投影之间的距离与聚类阈值的大小,再确定是否需要计算两个采摘目标之间的欧式距离,从而减少计算工作量。
S20步,采用贪婪算法确定果实蔟采摘顺序,以实现全局序列规划,如图3所示。由于采用贪婪算法对密集目标计算时可能产生局部解,因此在采用贪婪算法前先采用S10步的聚类方法对密集目标进行聚类,将多个密集目标聚类为一个果实蔟,可减少贪婪算法运用过程中产生局部最优解的可能性。
包括如下分步骤:
S21步,分别计算各个果实簇wp的果实蔟中心点ep=(Xp,Yp,Zp):
其中,∑x为果实簇wp中所有X轴坐标值之和,∑y为果实簇wp中所有Y轴坐标值之和,∑z为果实簇wp中所有Z轴坐标值之和;
得到果实蔟中心点集合E={e1,e2...ev};
S22步,以果实蔟中心点e1为当前果实簇中心点;
S23步,在尚未确定采摘顺序的果实簇中,获取果实簇中心点与当前果实簇中心点距离最近的果实簇作为下一个采摘果实簇;
具体地说,确定下一个采摘果实簇为Fm+1=min(Lu),其中其中(Xu,Yu,Zu)为任一尚未确定采摘顺序的果实簇中心点的空间坐标,(Xb,Yb,Zb)为当前果实簇中心点的空间坐标;
S24步,以下一个采摘果实簇作为当前果实簇并跳至S23步,直至所有果实簇均确定采摘顺序。
本实施例通过对采摘目标进行聚类分簇并采用贪婪算法实现果实簇全局序列规划;现有技术中的层次聚类算法通过计算目标与其余所有目标的距离,将距离最近的两个目标归于一类;相比现有技术,本发明减少了计算工作量,提高了采摘工作效率。
S30步,采用四象限法则与距离加权择优法则结合分别对各个果实蔟内采摘目标进行采摘排序,以实现局部序列规划,从而得到最终采摘作业序列规划,如图4所示。
包括如下分步骤:
S31步,在果实蔟wp中,选取采摘目标G1作为采摘目标Gt;
S32步,以采摘目标Gt为原点,在XOZ平面上建立四象限法则坐标系,并设定四象限权重T1、T2、T3、T4;
本实施例中,如图4所示,采摘优先顺序为左下>右下>左上>右上;以Z轴的正方向作紧急坐标轴,以X轴的负方向作重要坐标轴;第一象限为紧急重要,权重为T1;第二象限为紧急不重要,权重为T2;第三象限为重要不紧急,权重为T3;第四象限为不紧急不重要,权重为T4;因此T1
S33步,将采摘目标Gt到其余采摘目标Gq在XOZ平面上连成直线,计算各直线在XOZ平面的欧氏距离其中q∈[1,dp-1];通过其余采摘目标Gq所在象限权重和欧氏距离Lq来计算出采摘目标Gt的相对优先函数值:
S34步,判断果实蔟wp中所有采摘目标Gt是否均已计算出相对优先函数值:若是,则跳至S35步;否则跳至S32步计算下一个采摘目标Gt的相对优先函数值;
S35步,根据相对优先函数值的大小来确定果实蔟wp内采摘目标Gt的采摘顺序,从而完成果实蔟wp局部序列规划;一般来说,相对优先函数值越大,越优先采摘;
S36步,判断是否所有果实蔟wp均完成局部序列规划:若是,则结束;否则跳至S31步进行下一果实簇wp的局部序列规划。
本实施例采用四象限法则与距离加权择优对果实蔟内采摘目标进行顺序规划,计算目标优先函数,得到果实蔟内部顺序规划;相比现有技术的启发式算法,降低了在序列规划中因果实贴靠、重叠而产生对周围果实碰损的可能性,有效减少果实在采摘过程中的损伤情况。
本申请相比于现有技术的有益效果如下:
1、基于Mask R-CNN的检测算法,对青椒目标的检测识别率,识别速度快,能够从复杂的环境下对青椒的特征学习,增强了青椒识别模型的鲁棒性。
2、本申请采集的图像按照标准数据集格式进行划分,可以重复利用该样本集,避免了多次采集图像的成本,并且训练方便,重复利用;
3、使用Mask R-CNN的训练模型对青椒图像进行检测识别速度快,满足了机器手臂的高速性和实时性,本模型对每张图像的青椒目标检测平均耗时为百毫秒级,并且对青椒识别的精度可达到90%以上,所以完全可以满足实际运用要求;
4、Mask R-CNN的强大学习能力,通过对青椒特征的学习,可以简单快速分辨出成熟和未成熟的青椒,避免未成熟或较小的青椒被误采;
5、本申请在识别青椒目标后加入了目标位置定位,并且引入了采摘序列算法,通过对图像中的青椒目标位置信息来确定机器手臂的采摘序列,采摘序列的确定加快了采摘速度,并且节省了机器人不必要的运动轨迹。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于Mask R-CNN的青椒图像检测方法,其特征在于,包括如下步骤:
采集不同光照条件下的青椒图像;
对采集的所述青椒图像进行图像预处理并形成样本集;
将所述样本集划分测试集和训练集;
将所述训练集输入到初始Mask R-CNN模型中进行训练,检测图像中的青椒目标,得到基于青椒图像的Mask R-CNN检测青椒目标的模型;
将所述测试集对已经训练好的Mask R-CNN模型进行测试并调整至模型收敛,得到最终Mask R-CNN训练模型;
对识别得到的青椒目标进行定位,确定青椒的坐标信息,然后通过采摘序列算法对其进行采摘序列排序。
2.如权利要求1所述的一种基于Mask R-CNN的青椒图像检测方法,其特征在于,所述不同光照条件下的青椒图像包括早晨、中午、傍晚以及晚上大棚灯照条件下的青椒图像。
3.如权利要求1所述的一种基于Mask R-CNN的青椒图像检测方法,其特征在于,所述图像预处理包括以下一种或多种的组合:翻转、拉伸、调节亮度、增加噪声点干扰以及抖动。
4.如权利要求1所述的一种基于Mask R-CNN的青椒图像检测方法,其特征在于,将所述样本集按照PASCAL VOC数据集格式划分为所述测试集和所述训练集。
5.如权利要求1所述的一种基于Mask R-CNN的青椒图像检测方法,其特征在于,所述初始Mask R-CNN模型包括预训练好的ResNet。
6.如权利要求5所述的一种基于Mask R-CNN的青椒图像检测方法,其特征在于,将所述训练集输入到所述预训练好的ResNet中,得到对应的特征面;接着对所述特征面中的每一个点设定预定的ROI,得到多个候选ROI。
7.如权利要求6所述的一种基于Mask R-CNN的青椒图像检测方法,其特征在于,对所述候选ROI进行二值分类,过滤掉部分候选ROI,得到目标ROI。
8.如权利要求7所述的一种基于Mask R-CNN的青椒图像检测方法,其特征在于,对所述目标ROI进行ROI Align操作,并对所述目标ROI进行分类、回归以及mask生成。
9.如权利要求1所述的一种基于Mask R-CNN的青椒图像检测方法,其特征在于,所述采摘序列算法包括过滤不符合目标的青椒。
10.如权利要求9所述的一种基于Mask R-CNN的青椒图像检测方法,其特征在于,所述目标包括未成熟或不符合尺寸值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999754.8A CN112149727A (zh) | 2020-09-22 | 2020-09-22 | 一种基于Mask R-CNN的青椒图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999754.8A CN112149727A (zh) | 2020-09-22 | 2020-09-22 | 一种基于Mask R-CNN的青椒图像检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149727A true CN112149727A (zh) | 2020-12-29 |
Family
ID=73893552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010999754.8A Pending CN112149727A (zh) | 2020-09-22 | 2020-09-22 | 一种基于Mask R-CNN的青椒图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149727A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409378A (zh) * | 2021-06-28 | 2021-09-17 | 北京百度网讯科技有限公司 | 图像处理方法、装置和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764076A (zh) * | 2018-05-15 | 2018-11-06 | 西北农林科技大学 | 一种用于多臂采摘机器人的猕猴桃果实群多目标识别方法 |
CN109863874A (zh) * | 2019-01-30 | 2019-06-11 | 深圳大学 | 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质 |
CN110223349A (zh) * | 2019-05-05 | 2019-09-10 | 华南农业大学 | 一种采摘点定位方法 |
CN110281243A (zh) * | 2019-07-02 | 2019-09-27 | 佛山科学技术学院 | 一种采摘机器人作业序列规划方法 |
CN111325764A (zh) * | 2020-02-11 | 2020-06-23 | 广西师范大学 | 一种果实图像轮廓识别方法 |
CN111340784A (zh) * | 2020-02-25 | 2020-06-26 | 安徽大学 | 一种基于Mask R-CNN图像篡改检测方法 |
CN111507967A (zh) * | 2020-04-17 | 2020-08-07 | 华南农业大学 | 一种自然果园场景下的芒果高精度检测方法 |
-
2020
- 2020-09-22 CN CN202010999754.8A patent/CN112149727A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764076A (zh) * | 2018-05-15 | 2018-11-06 | 西北农林科技大学 | 一种用于多臂采摘机器人的猕猴桃果实群多目标识别方法 |
CN109863874A (zh) * | 2019-01-30 | 2019-06-11 | 深圳大学 | 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质 |
CN110223349A (zh) * | 2019-05-05 | 2019-09-10 | 华南农业大学 | 一种采摘点定位方法 |
CN110281243A (zh) * | 2019-07-02 | 2019-09-27 | 佛山科学技术学院 | 一种采摘机器人作业序列规划方法 |
CN111325764A (zh) * | 2020-02-11 | 2020-06-23 | 广西师范大学 | 一种果实图像轮廓识别方法 |
CN111340784A (zh) * | 2020-02-25 | 2020-06-26 | 安徽大学 | 一种基于Mask R-CNN图像篡改检测方法 |
CN111507967A (zh) * | 2020-04-17 | 2020-08-07 | 华南农业大学 | 一种自然果园场景下的芒果高精度检测方法 |
Non-Patent Citations (6)
Title |
---|
JIN-WON KIM 等: "A Real-time Citrus Segmentation and Detection System using Mask R-CNN", 《JOURNAL OF DIGITAL CONTENTS SOCIETY》, vol. 19, no. 12, pages 2385 - 2391 * |
WEIKUAN JIA 等: "Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, pages 1 - 7 * |
YANG YU 等: "Fruit detection for strawberry harvesting robot in non-structural environment based on Mask-RCNN", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, pages 1 - 9 * |
YAN-PING LI 等: "A Visual System of Citrus Picking Robot Using Convolutional Neural Networks", 《THE 2018 5TH INTERNATIONAL CONFERENCE ON SYSTEMS AND INFORMATICS (ICSAI 2018)》, pages 1 - 6 * |
孟欣欣 等: "基于迁移学习的自然环境下香梨目标识别研究", 《新疆大学学报(自然科学版)》, vol. 36, no. 4, pages 461 - 467 * |
胡庆胜 等: "采摘机器人视觉系统的目标识别提取研究", 《河南科技》, pages 5 - 8 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409378A (zh) * | 2021-06-28 | 2021-09-17 | 北京百度网讯科技有限公司 | 图像处理方法、装置和设备 |
CN113409378B (zh) * | 2021-06-28 | 2024-04-12 | 北京百度网讯科技有限公司 | 图像处理方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532897B (zh) | 零部件图像识别的方法和装置 | |
CN107403426B (zh) | 一种目标物体检测方法及设备 | |
KR20180004898A (ko) | 딥러닝 기반의 이미지 처리 기술 및 그 방법 | |
CN111723829B (zh) | 一种基于注意力掩模融合的全卷积目标检测方法 | |
CN108319928A (zh) | 一种基于多目标微粒群算法优化的深度学习模型及应用 | |
Ren et al. | A novel squeeze YOLO-based real-time people counting approach | |
CN104966305B (zh) | 基于运动矢量划分的前景检测方法 | |
CN113537099A (zh) | 一种公路隧道火灾烟雾动态检测方法 | |
CN107194344B (zh) | 自适应骨骼中心的人体行为识别方法 | |
CN110555417A (zh) | 一种基于深度学习的视频图像识别系统及方法 | |
CN111311702B (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
Arumugadevi et al. | Color image segmentation using feedforward neural networks with FCM | |
Weber et al. | Single-shot panoptic segmentation | |
Atikuzzaman et al. | Human activity recognition system from different poses with cnn | |
CN110281243B (zh) | 一种采摘机器人作业序列规划方法 | |
CN111626109A (zh) | 一种基于双流卷积神经网络的跌倒行为分析检测方法 | |
Quan et al. | Research on human target recognition algorithm of home service robot based on fast-RCNN | |
CN109588114B (zh) | 一种应用于水果采摘机器人的并行识别采摘系统及方法 | |
CN112149727A (zh) | 一种基于Mask R-CNN的青椒图像检测方法 | |
CN114492634A (zh) | 一种细粒度装备图片分类识别方法及系统 | |
CN112990154B (zh) | 一种数据处理方法、计算机设备以及可读存储介质 | |
CN112329571B (zh) | 一种基于姿态质量评估的自适应人体姿态优化方法 | |
CN116563293B (zh) | 一种基于机器视觉的光伏载具生产质量检测方法及系统 | |
CN112818942A (zh) | 一种车辆行驶过程中行人动作识别方法和系统 | |
CN109815887B (zh) | 一种基于多智能体协作的复杂光照下人脸图像的分类方法 |
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 |