CN113344845A - 一种基于锚点集的目标果实分割方法及系统 - Google Patents

一种基于锚点集的目标果实分割方法及系统 Download PDF

Info

Publication number
CN113344845A
CN113344845A CN202110400598.3A CN202110400598A CN113344845A CN 113344845 A CN113344845 A CN 113344845A CN 202110400598 A CN202110400598 A CN 202110400598A CN 113344845 A CN113344845 A CN 113344845A
Authority
CN
China
Prior art keywords
segmentation
target fruit
anchor point
network model
target
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
CN202110400598.3A
Other languages
English (en)
Inventor
贾伟宽
刘杰
赵艳娜
马晓慧
郑元杰
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.)
Shandong Normal University
Original Assignee
Shandong Normal University
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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202110400598.3A priority Critical patent/CN113344845A/zh
Publication of CN113344845A publication Critical patent/CN113344845A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于目标分割领域，提供了一种基于锚点集的目标果实分割方法及系统。其中，该方法包括获取目标果实图像并预设锚点集；将目标果实图像输入至训练完成的分割网络模型中，得到目标果实的分割图像；其中，分割网络模型的头部添加有并行的回归分支以用于实例分割；根据匹配策略将锚点集与目标果实锚点真实值进行比对，并根据IoU确定正负样本以优化分割网络模型，再利用训练集训练得到最优分割网络模型；IoU为检测框和目标框之间的交并比。

Description

一种基于锚点集的目标果实分割方法及系统
技术领域
本发明属于目标分割领域，尤其涉及一种基于锚点集的目标果实分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前在果蔬的采摘过程中大多依靠人工进行，这将耗费大量的劳动力，成本大幅度提高。为解决人工采摘这一问题，降低成本，将果蔬采摘的过程逐渐转化为自动化生产，研发了一款果蔬采摘机器人，而自动化生产也将会成为未来这个行业的发展趋势。而在自动化采摘过程中，如何实现对于目标果实的精准定位、有效分割将成为一大难题，也成为这项技术的关键所在。
当前对于目标果实的有效分割的研究取得了一系列的进展，但在其发展过程中存在一些问题：在复杂果园环境下，对于目标果实的定位，因受到光照、树叶遮挡、果实重叠等干扰，这些因素的影响将会导致分割精度的降低，无法满足在复杂果园条件下实现对于目标果实的有效分割。
此前对于该问题的研究主要分为机器学习和深度学习两类。传统的机器学习智能解决单一的分割任务，有一定的局限性，不满足在复杂果园环境下有效分割的要求。深度学习的端到端处理方式，在图像处理方向取得了很好的效果，针对分割分为两个类，一是基于锚框的分割，另一个为无锚框的分割，二者都是事先定义了物体的表示形式，在基于锚框的分割方法中，例如RetinaNet，Faster-RCNN等，是利用若干个锚框来表示正样本，而无锚框的分割方法例如FCOS,CenterNet，是利用物体的中心点来表示正样本。这两类方法，对正样本在原图上的定位，都是基于回归的形式直接回归矩形坐标或矩形长宽和矩形中心点的偏移量，而发明人发现，上述两类方法的分割实时性、泛化性差。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于锚点集的目标果实分割方法及系统，其具有简单高效性，对目标果实的分割在保证分割精度的前提下，其实时性有了大幅度调高，也为其他果蔬的分割提高实时性提供了借鉴。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于锚点集的目标果实分割方法。
一种基于锚点集的目标果实分割方法，其包括：
获取目标果实图像并预设锚点集；
将目标果实图像输入至训练完成的分割网络模型中，得到目标果实的分割图像；
其中，分割网络模型的头部添加有并行的回归分支以用于实例分割；根据匹配策略将锚点集与目标果实锚点真实值进行比对，并根据IoU确定正负样本以优化分割网络模型，再利用训练集训练得到最优分割网络模型；IoU为检测框和目标框之间的交并比。
本发明的第二个方面提供一种基于锚点集的目标果实分割系统。
一种基于锚点集的目标果实分割系统，其包括：
图像获取模块，其用于获取目标果实图像并预设锚点集；
图像分割模块，其用于将目标果实图像输入至训练完成的分割网络模型中，得到目标果实的分割图像；
其中，分割网络模型的头部添加有并行的回归分支以用于实例分割；根据匹配策略将锚点集与目标果实锚点真实值进行比对，并根据IoU确定正负样本以优化分割网络模型，再利用训练集训练得到最优分割网络模型；IoU为检测框和目标框之间的交并比。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于锚点集的目标果实分割方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于锚点集的目标果实分割方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提出利用锚点集进行分割，将锚点集代替锚框实现有效分割，在保证分割精度的同时，也提高了分割的实时性，同时也更具有一定的泛化性，更好的应用更多的任务中；而且本发明的该方法简单高效，在保证分割精度前提下，满足采摘机器人全天候工作的要求，可用于采摘机器人的实时分割。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于锚点集的目标果实分割方法的流程图；
图2(a)是本发明实施例的原始顺光目标果实图像；
图2(b)是本发明实施例的原始夜间目标果实图像；
图2(c)是本发明实施例的原始雨后目标果实图像；
图2(d)是本发明实施例的原始雾天目标果实图像；
图3是本发明实施例的锚点集；
图4是本发明实施例的分割网络模型的网络结构图；
图5(a)是本发明实施例的最近点匹配策略分割效果图；
图5(b)是本发明实施例的最短线匹配策略分割效果图；
图5(c)是本发明实施例的带角点投影匹配策略分割效果图；
图6(a)是本发明实施例的模型对于目标果实的检测效果一图；
图6(b)是本发明实施例的模型对于目标果实的检测效果二图；
图6(c)是本发明实施例的模型对于目标果实的检测效果三图；
图6(d)是本发明实施例的模型对于目标果实的检测效果四图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1，本实施例的一种基于锚点集的目标果实分割方法，其具体包括如下步骤：
步骤S101：获取目标果实图像并预设锚点集。
在本实施例中，选取青柿子作为目标果实。
采集不同光照、不同时间段、不同天气、不同角度下的青柿子的图像，图像分辨率为6000×4000，输出格式为JPG，24位彩色图像作为目标果实图像。
是本发明实施例的采集的原始顺光目标果实图像、原始夜间目标果实图像、原始雨后目标果实图像和原始雾天目标果实图像分别如图2(a)、图2(b)、图2(c)和图2(d)所示。
对采集的图像进行预处理，将图像裁剪为4000×4000，分辨率缩小为512×512。使用LabelMe软件标注，可用于构建数据集，以用于后续分割网络模型的训练和测试。
在本实施例中，将以往的锚框转换为锚点集，利用锚点集进行对于目标果实进行识别。
其中，如图3所示，锚点集由一个中心点和n个有序锚点组成，有序锚点从一个隐式边框中均匀采样，n为控制采样密度的超参数。
使用锚点集替换了矩形锚框，具体构造方法为在每个图像位置，通过改变隐式边界框的3个比例和3个长宽比组合形成9个bounding boxes,锚点就在这生成的boundingboxes四周均匀采样。
步骤S102：将目标果实图像输入至训练完成的分割网络模型中，得到目标果实的分割图像。
其中，分割网络模型的头部添加有并行的回归分支以用于实例分割；根据匹配策略将锚点集与目标果实锚点真实值进行比对，并根据IoU确定正负样本以优化分割网络模型，再利用训练集训练得到最优分割网络模型；IoU为检测框和目标框之间的交并比。
如图4所示，本实施例的分割网络模型以卷积神经网络ResNet50作为主干网络，提取图像特征。将ResNet中的各残差块输出的不同尺寸的特征图，按照自顶向下与横向连接的方式进行融合，使深层特征图与浅层特征图具有相同水平的语义容量，得到特征金字塔，提升模型对于不同尺度尤其是小尺度目标果实的分割效果。
分割网络模型共使用五个层次的特征图，表示为{P3,P4,P5,P6,P7}，其中P3,P4,P5由主干网络ResNet的最后3个残差块conv3,conv4,conv5的输出进行特征融合形成的，其输出记为{C3,C4,C5}。P6和P7分别是由C5和P6上的3×3地步长为2的卷积层生成。
分割网络模型的网络结构为RetinaNet的扩展，在其头部添加并行回归分支用于实例分割。其头部包含多个用于分类、遮罩和回归的子网，每个子网包括4个3×3的步长为1的卷积层。
具体地，根据锚点集及匹配策略而确定的正负样本集的过程为：
用一个形状S表示对象，即一组有序的点S＝{Si}，其中Si表示实例分割遮罩上的第i个多边形的顶点，代替从对象中心回归形状点位置。使用T作为形状回归的参考，目标是设置锚点T的偏移量ΔT回归到形状S。
设置偏移量：锚点集T为所有实例的定义，包含固定数量的点，为了计算偏移量ΔT，找到匹配点T*，然后每一都与形状S里所对应T中的每一个点一一对应，然后偏移量ΔT＝T*-T。
根据最近点，最近线，投影角点三个策略将锚点集与真实值进行比对，并根据IOU确定正负样本。
具体地，如图5(a)所示，最近点策略：
锚点集T中的每个点的匹配目标定义为S中基于L1距离的最近的多边形的点。因此，一个多边形上的点作为ground truth可以与多个锚点进行配对，也可能与0个锚点匹配。
如图5(b)所示，最近线策略：
将目标定义的形状S视为n个线段的序列，而不是n个离散的多边形顶点，锚点集T中的每个锚点都投影到所有多边形S的边缘，并且将最接近的投影点分配给相应的锚点。同样，也会使得有的多边形上的线段与多个锚点相对应，有的可能有0个锚点与其对应。
如图5(c)所示，投影角点策略：
在此匹配策略中，根据设置锚点数量进行分割效果比对，选择36个锚点时，其效果最佳。首先通过上述的“最近点”匹配策略找到四个角锚点的目标ground truth，然后将其用于把目标定义的形状S划分为四个部分，即顶部，右侧，左侧和底部，同时也将锚点集对应的分为四个部分，用锚点集分别去寻找对应部分的ground truth。对于分成的这四个部分，将左侧和右侧部分中每个锚点的目标是寻找水平方向的投影线与形状S线段之间的最近交点；顶部和底部的部分中的每个锚点的目标是寻找垂直方向上的投影线与形状S线段之间的最近交点。如果匹配点位于由匹配角点界定的相应的轮廓线之外，则将其标记为无效，并且在训练和测试中将其忽略。如果其余的锚点及其匹配项被标记为有效，则可进行下一步的遮罩回归。
在具体实施中，确定正负样本集的过程为：
在将正或负标签分配给锚点集时，利用IoU进行实例分割。在实际训练中，为减少计算量，在锚点集的隐式边界框与目标果实形状S之间使用IoU。对锚点集中的点分配正负样本，若锚点集对于任何的真实边界框都有超过第一比例阈值(例如：0.6)的IoU，则为其分配为正标签；若锚点集对于给定的真实边界框的IoU都低于第二比例阈值(例如：0.4)，则为其分配为负标签。其中，第一比例阈值与第二比例阈值之和等于1。
其中，所述最优分割网络模型为选取的测试指标最优的分割网络模型；所述测试指标最优包括准确率和召回率。
利用所述原始数据集在PyTorch框架下对优化后的模型进行训练和测试，获取最优分割网络模型，实现对青柿子的有效分割。本实施例的模型对于目标果实的检测效果一图～检测效果四图，如图6(a)～图6(d)所示。
1)在所述训练集上训练青柿子的分割网络模型，利用所述验证集不断优化所述青柿子分割网络参数，对青柿子图像进行监督学习；
2)利用所述测试集对每个分割网络模型进行测试，并统计每个分割网络模型的准确率和召回率，进行性能评价，最终选取指标最高的分割网络模型作为最优分割网络模型，实现青柿子的高效分割。准确率Precision公式如下：
Figure BDA0003020234910000081
TP-True Positive，预测正确的结果；
FP-False Positive，预测错误的结果；
准确率Precision为预测正确的结果占总样本的百分比。
实施例二
本实施例提供了一种基于锚点集的目标果实分割系统，其包括：
图像获取模块，其用于获取目标果实图像并预设锚点集；
图像分割模块，其用于将目标果实图像输入至训练完成的分割网络模型中，得到目标果实的分割图像；
其中，分割网络模型的头部添加有并行的回归分支以用于实例分割；根据匹配策略将锚点集与目标果实锚点真实值进行比对，并根据IoU确定正负样本以优化分割网络模型，再利用训练集训练得到最优分割网络模型；IoU为检测框和目标框之间的交并比。
此处需要说明的是，本实施例的基于锚点集的目标果实分割系统中的各个模块，与实施例一中的基于锚点集的目标果实分割方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于锚点集的目标果实分割方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于锚点集的目标果实分割方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于锚点集的目标果实分割方法，其特征在于，包括：
获取目标果实图像并预设锚点集；
将目标果实图像输入至训练完成的分割网络模型中，得到目标果实的分割图像；
其中，分割网络模型的头部添加有并行的回归分支以用于实例分割；根据匹配策略将锚点集与目标果实锚点真实值进行比对，并根据IoU确定正负样本以优化分割网络模型，再利用训练集训练得到最优分割网络模型；IoU为检测框和目标框之间的交并比。
2.如权利要求1所述的基于锚点集的目标果实分割方法，其特征在于，所述分割网络模型的主干网络为卷积神经网络ResNet50，用于提取图像特征；且还将ResNet中各残差块输出的特征图，按照自顶向下与横向连接的方式进行融合，以得到特征金字塔，实现多个尺度的特征提取。
3.如权利要求1所述的基于锚点集的目标果实分割方法，其特征在于，所述锚点集为一个根据目标果实分割定义的有序点集，其组成包括一个中心点和一个有序的点集。
4.如权利要求1所述的基于锚点集的目标果实分割方法，其特征在于，所述匹配策略包括最近点策略、最近线策略和投影角点策略。
5.如权利要求1所述的基于锚点集的目标果实分割方法，其特征在于，确定正负样本集的过程为：
对锚点集中的点分配正负样本，若锚点集对于任何的真实边界框都有超过第一比例阈值的IoU，则为其分配为正标签；若锚点集对于给定的真实边界框的IoU都低于第二比例阈值，则为其分配为负标签。
6.如权利要求5所述的基于锚点集的目标果实分割方法，其特征在于，第一比例阈值与第二比例阈值之和等于1。
7.如权利要求1所述的基于锚点集的目标果实分割方法，其特征在于，所述最优分割网络模型为选取的测试指标最优的分割网络模型；所述测试指标最优包括准确率和召回率。
8.一种基于锚点集的目标果实分割系统，其特征在于，包括：
图像获取模块，其用于获取目标果实图像并预设锚点集；
图像分割模块，其用于将目标果实图像输入至训练完成的分割网络模型中，得到目标果实的分割图像；
其中，分割网络模型的头部添加有并行的回归分支以用于实例分割；根据匹配策略将锚点集与目标果实锚点真实值进行比对，并根据IoU确定正负样本以优化分割网络模型，再利用训练集训练得到最优分割网络模型；IoU为检测框和目标框之间的交并比。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于锚点集的目标果实分割方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于锚点集的目标果实分割方法中的步骤。
CN202110400598.3A 2021-04-14 2021-04-14 一种基于锚点集的目标果实分割方法及系统 Pending CN113344845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110400598.3A CN113344845A (zh) 2021-04-14 2021-04-14 一种基于锚点集的目标果实分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110400598.3A CN113344845A (zh) 2021-04-14 2021-04-14 一种基于锚点集的目标果实分割方法及系统

Publications (1)

Publication Number Publication Date
CN113344845A true CN113344845A (zh) 2021-09-03

Family

ID=77468041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110400598.3A Pending CN113344845A (zh) 2021-04-14 2021-04-14 一种基于锚点集的目标果实分割方法及系统

Country Status (1)

Country Link
CN (1) CN113344845A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104906A (zh) * 2019-12-19 2020-05-05 南京工程学院 一种基于yolo的输电塔鸟巢故障检测方法
CN112541508A (zh) * 2020-12-21 2021-03-23 山东师范大学 果实分割识别方法及系统、果实采摘机器人
CN112651404A (zh) * 2020-12-22 2021-04-13 山东师范大学 一种基于无锚框检测器的绿色果实高效分割方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111104906A (zh) * 2019-12-19 2020-05-05 南京工程学院 一种基于yolo的输电塔鸟巢故障检测方法
CN112541508A (zh) * 2020-12-21 2021-03-23 山东师范大学 果实分割识别方法及系统、果实采摘机器人
CN112651404A (zh) * 2020-12-22 2021-04-13 山东师范大学 一种基于无锚框检测器的绿色果实高效分割方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
FANGYUN WEI 等: "Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation", 《ARXIV:2007.02846V4》 *
TSUNG-YI LIN 等: "Focal Loss for Dense Object Detection", 《ARXIV:1708.02002V2》 *
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》 *
XIAOYANG LIU 等: "Cucumber Fruits Detection in Greenhouses Based on Instance Segmentation", 《IEEE ACCESS》 *
刘晓洋 等: "基于超像素特征的苹果采摘机器人果实分割方法", 《农业机械学报》 *
王晓茹 等: "基于锚点集优化的硅片图像缺陷检测方法", 《计算机工程与设计》 *

Similar Documents

Publication Publication Date Title
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN111461212B (zh) 一种用于点云目标检测模型的压缩方法
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN112990086B (zh) 遥感影像建筑物检测方法、装置及计算机可读存储介质
CN114092697B (zh) 注意力融合全局和局部深度特征的建筑立面语义分割方法
CN109829476B (zh) 基于yolo的端到端三维物体检测方法
CN117765373B (zh) 一种自适应裂缝尺寸的轻量化道路裂缝检测方法及系统
CN104408760A (zh) 一种基于双目视觉的高精度虚拟装配系统算法
CN111027538A (zh) 一种基于实例分割模型的集装箱检测方法
CN112580662A (zh) 一种基于图像特征识别鱼体方向的方法及系统
CN115619719A (zh) 一种基于改进Yolo v3网络模型的松材线虫病疫木检测方法
CN117437382B (zh) 一种数据中心部件的更新方法及系统
CN114612450B (zh) 基于数据增广机器视觉的图像检测分割方法、系统、电子设备
CN116503760A (zh) 基于自适应边缘特征语义分割的无人机巡航检测方法
CN114565842A (zh) 基于Nvidia Jetson嵌入式硬件的无人机实时目标检测方法及系统
CN114782915B (zh) 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备
Yan et al. Sparse semantic map building and relocalization for UGV using 3D point clouds in outdoor environments
CN114842215A (zh) 一种基于多任务融合的鱼类视觉识别方法
CN114511627A (zh) 一种目标果实定位分割方法及系统
CN117830356A (zh) 目标跟踪方法、装置、设备及介质
CN113420648A (zh) 一种具有旋转适应性的目标检测方法及系统
EP4235492A1 (en) A computer-implemented method, data processing apparatus and computer program for object detection
CN113344845A (zh) 一种基于锚点集的目标果实分割方法及系统
CN114820931A (zh) 基于虚拟现实的智慧城市cim可视化实时成像方法
CN110084190B (zh) 一种基于ann的剧烈光照环境下实时非结构化道路检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210903