[发明专利]改进Faster RCNN水培蔬菜幼苗状态检测方法

说明书

本发明公开了属于农业栽培技术领域的一种改进Faster RCNN水培蔬菜幼苗状态检测方法。该方法提出改进的Faster RCNN检测网络，针对水培蔬菜幼苗图像存在较为微小、密集的特点，采用HRNet作为特征提取网络，减少在下采样过程中的信息损失，较好地保留小目标物体的信息，从而为后续候选框的回归与分类提供较好的语义信息。本发明应用RoI Align和Soft NMS的方法，提高模型的识别精度与召回率，从而改善模型的检测效果，而获得较好的、可靠的特征图，为后续候选框分类与回归打好基础；在设施农业的现代化过程中，将深度学习算法迁移到设施农业的幼苗图像领域，实现水培蔬菜幼苗状态的自动检测，减少人力劳动。

技术领域

本发明属于农业栽培技术领域，特别涉及一种改进的Faster RCNN水培蔬菜幼苗状态检测方法。

背景技术

俗话说：“苗壮半收成”，育苗是一项劳动强度大、费时、技术性强的工作。目前在水培蔬菜的育苗过程中，所需培育时间长，劳动强度大，人工成本高。在对水培蔬菜生长过程的实地考察中，发现处于育苗阶段的水培蔬菜，培养海绵上的幼苗长势有所差异，具体而言，即为：有的孔洞中并未长出幼苗，由于种子发芽存在一定的出苗率，存在播下的种子未发芽的情况；有的孔洞则长出两株幼苗，这种情况在后期幼苗生长中存在潜在的风险，难以保证两株幼苗都能汲取到充足的养分；还有的孔洞生长出的幼苗植株较为低矮、卷曲，在后期的生长过程中易出现发育状况不良的情况；此外余下的便是长势较好的幼苗。经过询问育苗工作人员，得知在育苗过程中需要进行人工分拣，并只分拣一次，目前均依靠人力完成，工作量较大。与本发明相关的现有技术如下：

(1)R-CNN传统目标检测方法大多基于手工设计的特征(如颜色、形状、纹理、SIFT、HOG、DPM等)提取图像目标特征，并采用模式识别中的相关方法对目标进行识别和定位，此类方法存在一定的局限性，手工设计特征费时费力，难以保证较好的鲁棒性，识别精度难以提升。基于这些问题，Girshick,R.,et al.在文献“Rich feature hierarchies foraccurate object detection and semantic segmentation,in 2014Ieee Conference onComputer Vision and Pattern Recognition.2014.p.580-587.”中提出的 R-CNN是基于候选框目标检测算法的典型代表，通过使用Selective Search 方法对每张图像产生大约2000个待分类的候选区域，并对候选区域大小进行归一化处理，再利用CNN网络在候选区域上提取特征，最后采用多个 SVM分类器进行分类，采用线性回归模型微调候选框，在VOC2007数据集上获得了58.5％的准确率。