[发明专利]一种基于视频处理的果实计数方法及系统在审
申请号: | 202010044033.1 | 申请日: | 2020-01-15 |
公开(公告)号: | CN111275672A | 公开(公告)日: | 2020-06-12 |
发明(设计)人: | 孙晓勇;韩金玉;郑成淑;陈士民;张圆周 | 申请(专利权)人: | 山东农业大学 |
主分类号: | G06T7/00 | 分类号: | G06T7/00 |
代理公司: | 济南圣达知识产权代理有限公司 37221 | 代理人: | 李琳 |
地址: | 271018 山*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 视频 处理 果实 计数 方法 系统 | ||
本公开提供了一种基于视频处理的果实计数方法,获取果实视频数据,将每段视频按预设帧数分解为图像,进行预处理后得到果实数据集;对预处理后的果实数据集图像中的果实进行数据标注,获得每张图像对应的散点图,将散点图经过高斯核函数卷积处理获得目标密度分布图;对获得目标密度分布图进行预处理,使其转换为符合pytorch深度学习模型训练的格式,将每张图像对应的散点图和转换格式后的目标密度分布图输入到训练好的卷积神经网络中,得到最终的果实计数;本公开通过使用对采集视频处理为合适图片后,利用深度学习算法,构建果实计数模型对果树数量进行计数,具有能够更加智能、更加方便的优点。
技术领域
本公开涉及果实计数技术领域,特别涉及一种基于视频处理的果实计数方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
果实作为果树重要器官,其数量可以直观的反映出果树本身的遗产特性、生理、状态、营养、激素、环境和栽培条件等信息,因此果实数量是种植者挑选优良树种,调整接下来的种植条件的重要依据,但是在种植面积较大的情况下人工数果实数目存在效率低下、人力资源消耗大、耗时长等问题。
深度学习技术是目前人工智能领重要分支之一,随着技术的迅速发展,目前已经成功应用于文本处理、语音识别、计算机视觉等重要领域。深度学习目标计数问题便是当前计算机视觉领域的研究热点之一,具有广泛的应用,其迅猛发展显著提高了视觉目标识别和检测的结果的准确性。
本公开发明人发现,深度学习模型训练需要大量数据集,对果树结果图像的采集在消耗较大的人力与时间的同时对存在采集效率低的问题,对相关研究的进行非常不利,因此如何有效的改进数据采集方法并获得较好的果实计数结果是一项重要课题。
发明内容
为了解决现有技术的不足,本公开提供了一种基于视频处理的果实计数方法及系统,通过使用对采集视频处理为合适图片后,利用深度学习算法,构建果实计数模型对果树数量进行计数,具有能够更加智能、更加方便的优点。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种基于视频处理的果实计数方法。
一种基于视频处理的果实计数方法,包括以下步骤:
获取果实视频数据,将每段视频按预设帧数分解为图像,进行预处理后得到果实数据集;
读取果实数据集图像并进行归一化处理,使其转换为符合pytorch深度学习模型预测的格式,然后输入到训练好的卷积神经网络中获得预测密度图,对密度图中数据进行加和处理,得到最终的果实计数。
作为可能的一些实现方式,采用每张图像及其对应的密度图,将其转化为符合pytorch深度学习模型训练的格式,进行训练和优化,得到训练好的模型结构和参数。
作为可能的一些实现方式,将每段视频按预设帧数分解为图片,然后将获得的每段视频的所有图片分别合成为一张全景长图,得到预处理后得到果实数据集。
作为可能的一些实现方式,将获得的目标密度图以数组的方式保存到与图像同名的文件中,同时创建另一文件夹同时保存目标密度图对应的原始图像文件。
作为可能的一些实现方式,转换为符合pytorch深度学习模型训练的格式,具体为:
先将图像进行归一化处理,再使用从imagenet训练集抽样算出的均值与标准差对图像进行正则化处理,转换为[-1,1]之间的像素值;
然后导入目标密度分布图,设置合适的放大因子,对目标密度分布图进行点乘放大因子操作,得到符合pytorch深度学习模型训练的数据集。
本公开第二方面提供了一种基于视频处理的果实计数系统。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东农业大学,未经山东农业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010044033.1/2.html,转载请声明来源钻瓜专利网。