[发明专利]一种模拟遮挡阴影增强植物数据样本的方法

说明书

本发明属于农产品图像识别和智能计算领域，特别涉及一种模拟遮挡阴影增强植物数据样本的方法。一种模拟遮挡阴影增强植物数据样本的方法，是选取植物最典型的阴影模板若干，构建标准阴影模板库；输入图片，由网络模型进行识别，返回探测出图片中需要增加阴影的目标；从标准阴影模板库随机选取任一阴影模板；调整选取的阴影模板的大小；将调整大小后的阴影模板在输入图片中移动，并使阴影模板与输入图片的识别目标交叉；根据目标的阴影强度，对阴影模板与输入图片的识别目标交叉的区域进行亮度调整，获得新的数据样本。本发明采用模拟遮挡阴影的方法增强数据样本，本方法更加贴近植物生长实际场景，为增强数据样本提供了另一种方法。

技术领域

本发明属于农产品图像识别和智能计算领域，特别涉及一种模拟遮挡阴影增强植物数据样本的方法。

技术背景

农业领域，采集植物数据样本难，特别一些不常见的样本更难于采集。在深度学习中，收集数据样本进行训练时，某些分类数据样本严重不足、数据集过小容易造成模型的过拟合。通常会对数据样本进行旋转、平移、翻转、尺度变换、基于图像饱和度与对比度变化、噪声、模糊等方法，来扩展和增强数据样本；但是以上增强数据样本的方法难以满足复杂的植物生长环境。

发明内容

根据上述的技术问题，本发明结合农业现场环境情况，针对农业现场的植物叶、花、果样本，常常被其他植物叶、花、果遮挡而产生遮挡阴影的特性，采用模拟遮挡阴影的方法增强数据样本，本方法更加贴近实际场景，为增强数据样本提供了另一种方法。具体技术方案如下：

一种模拟遮挡阴影增强植物数据样本的方法，具体步骤如下：

S1：选取植物最典型的阴影模板若干，构建标准阴影模板库；

S2：输入图片，由网络模型进行识别，返回探测出图片中需要增加阴影的目标；

S3：从标准阴影模板库随机选取任一阴影模板；

S4：调整选取的阴影模板的大小；

S5：将调整大小后的阴影模板在输入图片中移动，并使阴影模板与输入图片的识别目标交叉；

S6：根据目标的阴影强度，对阴影模板与输入图片的识别目标交叉的区域进行亮度调整，获得新的数据样本。

进一步地，在步骤S1中，根据植物所属作物，选取植物最典型的形状和姿态的阴影模板若干。

进一步地，还包括步骤S0，建立目标植物的网络模型，具体步骤如下：

S0-1：拍摄不同的含有目标植物的若干照片；

S0-2：利用labelme标注工具对S0-1获取的图片中的目标进行标注，框出图片中的目标；

S0-3：对S0-2标注好的图片进行预处理，包括数据增强和归一化处理；

S0-4：将S0-3预处理后的图片按照5∶1的比例将数据分成训练集和测试集；

S0-5：训练集中的数据通过faster rcnn深度神经网络提取图片的特征信息，然后预测图片中目标的位置信息，经多次迭代后生成网络参数；

S0-6：测试集中的数据通过faster rcnn深度神经网络对S0-5生成的网络参数进行测试，获得测试图片的位置信息与测试图片在S0-2标注的位置信息进行比较，最终通过平均精度map和召回率recall进行评估；

S0-7：重复步骤S0-5和S0-6，直至map和recall达到需求；

S0-8：将最终训练好的网络参数，加载到faster rcnn网络模型当中。

进一步地，在步骤S2中，网络模型进行识别输入图片后，返回探测出图片中需要增加阴影的目标的可信度和位置信息集合。