欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023109237399
申请人: 河南工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于定向框的麦穗目标检测与计数方法,其特征在于,所述方法包括以下步骤,步骤S100,使用roLabelImg标注工具对麦穗图像进行定向框标注;

步骤S200,改进Rotated Faster RCNN目标检测网络的骨干网络、颈网络以及非极大值抑制算法,获得鲁棒性更好的旋转目标检测模型;

步骤S300,对改进后的基于定向框的Rotated Faster RCNN目标检测网络模型进行训练;步骤S400,利用训练完成的基于定向框的Rotated Faster RCNN目标检测网络模型对测试集中的麦穗图像进行检测,并获得用旋转框标记的麦穗检测结果图像且在图像左上方显示模型对该图像中麦穗目标数量的统计。

2.根据权利要求1所述的基于定向框的麦穗目标检测与计数方法,其特征在于:步骤S200中,改进Rotated Fater RCNN目标检测网络模型以ResNeXt网络作为骨干网络,用于对麦穗图像的特征提取;对颈网络改进,增强其对不同尺度特征图的融合;使用RPN网络在特征图在生成目标建议框,经过Soft‑NMS算法处理后的特征图进入ROI Pooling层;通过ROIPooling层对特征矩阵进行缩放,接着使用全连接层对特征矩阵展平处理,最后构建检测头分别对目标进行分类和位置回归并统计图像中麦穗数量。

3.根据权利要求2所述的基于定向框的麦穗目标检测与计数方法,其特征在于:步骤S200具体包括如下步骤:

步骤S210,定义定向框的角度与方向,以平行于图像水平变作为x轴,以图像竖直边作为y轴,定向框可用如下5个参数来表示:旋转框中心点坐标(x,y)、定向框的宽和高(w,h)以及旋转角度θ,在模型加载预训练过程中,使用长边定义法le90°作为定向框信息加载格式,规定如下: 并且宽度>高度,θ为旋转框长边(宽度)与x轴的夹角。

步骤S210,使用ResNeXt网络作为模型骨干网络,用于对图像的特征提取。ResNeXt的残差结构中首先将输入通道数缩小到4个通道,然后在不改变通道数量的情况下接3X3的卷积,最后将通道数恢复到256。然后对32个分支的输出张量进行求和,最后利用跨层连接将输入添加到结果中来,公式可如下表示,步骤S220,在颈网络中使用双通道特征融合网络PANet对不同尺度的相邻特征图融合以及利用空洞卷积模块生成最后一层特征图提高模型对多尺度目标的检测能力,并在此基础之上利用BFP模块减少相邻特征图融合导致语义信息的流失的问题,进一步丰富特征图所包含的语义和目标位置信息。

步骤S230,使用Soft‑NMS算法筛选预测框,减少误检和漏检的发生概率。

4.根据权利要求3所述的基于定向框的麦穗目标检测与计数方法,其特征在于:步骤S220对模型颈网络的改进主要有以下3点:(1)使用PANet对不同尺度的相邻特征图融合,传统特征金字塔网络采用自顶向下的特征融合通路,将高层特征传下来。而底层特征却无法影响高层特征。PANet引入了自底向上的路径,使得底层信息更容易传递到高层顶部,通过自顶向下和自底向上双特征融合通路的方式丰富了每层特征图中所包含的语义和目标位置信息。

(2)ASPP本质上由一个1×1的卷积、池化金字塔、ASPP Pooling组成。池化金字塔各层的膨胀因子分别定义为6、12、18和24;对输入的特征图以不同的膨胀因子的空洞卷积并行采样;然后将各采样分支输出结果拼接到一起,扩大特征图的通道数;最后是一个1×1的卷积层,对上一步获取的特征进行进一步的提取,并降维,在不改变特征图大小即不进行下采样的前提下扩大网络的感受野,从而增强模型获取多尺度上下文的能力。

(3)为了集成多级特征层并同时保留它们各自的语义层次,首先将多级特征{C2,C3,C4,C5},调整到中间大小(Integrate),即与C4大小相同,分别使用插值和最大池化处理,对于小尺寸的特征图进行池化处理,而对于大尺度的特征图利用双线性插值方法处理。通过平均获得平衡的语义特征,公式如下表示,其中,预测特征层为l的层级被定义为Cl,预测特征层总层级数为L,其中涉及最高层级与最底层级定义为lmax与lmin。

然后,使用相同但相反的过程对获取的特征进行重新缩放,以增强原始特征。在此过程中,每层预测特征层从其他预测特征层获得相同的信息,平衡的语义特征可以进一步提炼(Refine),使其更具区别性。使用嵌入的高斯非局部注意作为提炼步骤能够显著增强集成特性,使得从低级到高级的特征被同时聚集。

5.根据权利要求3所述的基于定向框的麦穗目标检测与计数方法,其特征在于:步骤S230使用Soft‑NMS算法筛选预测框,在进行预测框筛选时,不是直接将和得分最大的box的IOU大于某个阈值的box的得分置零,而是用稍低一点的分数来代替原有的分数,公式如下表示,其中,si表示预测框对应置信分数的集合,bi表示第i个预测框。M表示预测框置信分数数值最大的预测框,Nt是自定义的交并比阈值。

6.根据权利要求2所述的基于定向框的麦穗目标检测与计数方法,其特征在于:步骤S300中,按如下步骤对基于定向框的Rotated Faster RCNN目标检测网络模型进行训练,步骤S310,对麦穗图像进行收集;

步骤S320,使用roLabelImg工具,对上述麦穗图像进行人工标注,制作麦穗数据集;

步骤S330,将训练集以及验证集图片输入基于定向框的Rotated Faster RCNN目标检测网络模型训练30轮次,其中训练初始学习率为0.001.并在训练的第8和第11轮次之间降低学习率,图片大小在图像预处理中统一调整为1024×1024。

步骤S340,训练完成后,保存权重参数。