[发明专利]一种基于Mask R-CNN的青椒图像检测方法

说明书

本发明提供了一种基于Mask R‑CNN的青椒图像检测方法，包括如下步骤：采集不同光照条件下的青椒图像；对采集的青椒图像进行图像预处理并形成样本集；将样本集划分测试集和训练集；将训练集输入到初始Mask R‑CNN模型中进行训练，检测图像中的青椒目标，得到基于青椒图像的Mask R‑CNN检测青椒目标的模型；将测试集对以及训练好的Mask R‑CNN模型进行测试并调整至模型收敛，得到最终Mask R‑CNN训练模型；对识别得到的青椒目标进行定位，确定青椒的坐标信息，然后通过采摘序列算法对其进行采摘序列排序。本申请能够有效提高基于视觉检测的采摘设备的采摘效率，能够有效降低采摘成本。

技术领域

本发明涉及农业计算机视觉领域，具体而言，涉及一种基于Mask R-CNN的青椒图像检测方法。

背景技术

传统的农作物识别方法主要是根据研究人员的个人经验，来判断最佳的识别方法和设置参数，这样的识别容易受个人主观影响和小样本因素影响，无法找到农作物的通用特性，也无法运用到实际的农田中，缺乏可操作性。

发明内容

基于此，为了解决采摘效率低下的问题，本发明提供了一种基于Mask R-CNN的青椒图像检测方法，其具体技术方案如下：

一种基于Mask R-CNN的青椒图像检测方法，包括如下步骤：

采集不同光照条件下的青椒图像；

对采集的青椒图像进行图像预处理并形成样本集；

将样本集划分测试集和训练集；

将训练集输入到初始Mask R-CNN模型中进行训练，检测图像中的青椒目标，得到基于青椒图像的Mask R-CNN检测青椒目标的模型；

将测试集对已经训练好的Mask R-CNN模型进行测试并调整至模型收敛，得到最终Mask R-CNN训练模型；

对识别得到的青椒目标进行定位，确定青椒的坐标信息，然后通过采摘序列算法对其进行采摘序列排序。

进一步地，所述不同光照条件下的青椒图像包括早晨、中午、傍晚以及晚上大棚灯照条件下的青椒图像。

进一步地，所述图像预处理包括以下一种或多种的组合：翻转、拉伸、调节亮度、增加噪声点干扰以及抖动。

进一步地，将样本集按照PASCAL VOC数据集格式划分为测试集和训练集。

进一步地，所述初始Mask R-CNN模型包括预训练好的ResNet。

进一步地，将训练集输入到预训练好的ResNet中，得到对应的特征面；接着对所述特征面中的每一个点设定预定的ROI，得到多个候选ROI。

进一步地，对候选ROI进行二值分类，过滤掉部分候选ROI，并得到目标ROI。

进一步地，对所述目标ROI进行ROI Align操作，并对所述目标ROI进行分类、回归以及mask生成。

进一步地，所述采摘序列算法包括过滤不符合目标的青椒。

进一步地，所述目标包括未成熟或不符合尺寸值。

本申请相比于现有技术的有益效果如下：

1、基于Mask R-CNN的检测算法，对青椒目标的检测识别率，识别速度快，能够从复杂的环境下对青椒的特征学习，增强了青椒识别模型的鲁棒性。

2、本申请采集的图像按照标准数据集格式进行划分，可以重复利用该样本集，避免了多次采集图像的成本，并且训练方便，重复利用；