[发明专利]一种玉米果穗破损检测方法

说明书

一种玉米果穗破损检测方法，包括如下步骤：获取训练集图片及其标签，并用所述标签对所述训练集图片和真实图片进行标注，所述训练集图片包括合成图片和真实图片，所述标签包括目标参数和目标所属类别的数字；修改网络结构，重新聚类计算先验框，使用标注后的所述训练集图片进行检测模型的训练，并用标注后的所述真实图片精调所述检测模型的参数；以及目标检测，用训练好的检测模型对玉米果穗图片进行破损检测，以通过算法预测得到图片中破损的玉米果穗位置及数量。本发明是一种基于深度学习的玉米果穗破损检测方法，用于解决机收复杂场景下实时检测玉米果穗破损的问题。

技术领域

本发明涉及一种玉米果穗的检测方法，特别是一种基于深度学习的玉米果 穗破损检测方法。

背景技术

随着我国农业机械化水平的提高，玉米机械化收获的需求越来越大。目前 玉米以果穗收获为主，由于机收时玉米成熟情况不同，绿叶比例和水分含量高 的秸秆易引起多种机械故障，同时也会导致部分玉米果穗破损。玉米果穗破损 将带来籽粒破损率高、随抛撒物落粒多等问题，因此，对于机收玉米果穗破损 情况的实时检测就变得十分重要。玉米采摘的实时情况经过图像检测技术处理， 并通过屏幕显示，可及时提醒前端操作手按相应策略做出调整，进而降低整体 收割破损率。

破损玉米果穗的检测需要使用目标检测算法。由于农机工作场景中存在光 照变化剧烈，杂物较多，物体间遮挡，目标姿态角度多变等问题，传统的目标 检测算法所使用的人工设计的特征，如Haar特征、Hog特征等，很难胜任如 此复杂场景下的检测任务。近年来，深度学习技术得到较大发展，随着大规模 训练数据集的构建以及硬件计算能力的不断增强，深度网络结构在不同的视觉 任务中取得了巨大的成功。在目标检测方面，出现了很多优秀的基于深度学习 的目标检测算法，从RCNN、SPP-Net、Faster-RCNN到YOLOv2，目标检测的准确率和速度都达到了新的高度。其中，YOLOv2目标检测算法在精度和速 度上都表现得尤为突出。

与本发明相关的技术中，S.Ioffe and C.Szegedy.Batch normalization:Acceleratingdeep network training by reducing internal covariate shift.arXivpreprint arXiv:1502.03167,2015.2,5一文，提出批归一化(Batch normalization,BN)，它是目前普遍应用的一种网络正则化方法。该算法是指在 网络的每一层输入之前插入一个归一化层，该层通过求取输入数据的均值和方 差，对输入网络的小批量数据进行归一化，并引入可学习参数γ、β还原输入 数据的分布，经过处理的数据再被送入下一层网络。通过引入批归一化层，可 加快网络训练时的收敛速度，降低网络过拟合，提高网络的泛化能力。

而S.Ren,K.He,R.Girshick,and J.Sun.Faster r-cnn:Towards real-timeobject detection with region proposal networks.arXiv preprint arXiv:1506.01497, 2015.2,3,4,5,6一文，提出使用先验框(Anchor Boxes)来预测预测框(bounding box)的方法。先验框是指在进行目标检测时，预先定义的一些不同尺度和比 例的矩形框。但该文中先验框的选取是通过人工设计的。