一种自然果园场景下的芒果高精度检测方法技术

本发明专利技术公开了一种自然果园场景下的芒果高精度检测方法，包括：建立自然场景下的芒果数据库；构建基于Mask Scoring R‑CNN的初步网络结构；在ROI Align层后增加一个并行训练的BoxIOU分支，为RPN输出的候选框预测IOU得分；测试阶段BoxIOU分支预测的IOU得分与相应的分类置信度进行耦合，再将耦合后的分值替代原本的分类置信度作为后处理阶段的非极大抑制的排列依据；利用训练后的BoxIOU MangoNet进行芒果果实的检测和分割。该方法为果实目标筛选出定位更准确的检测框，简单有效，能够解决自然果园场景下受复杂环境干扰的检测分割难题。

【技术实现步骤摘要】
一种自然果园场景下的芒果高精度检测方法
本专利技术涉及农业计算机视觉的图像检测和分割
，具体涉及了一种基于MaskScoringR-CNN的自然果园场景下的芒果高精度检测方法。
技术介绍
芒果是人们日常生活中常见的水果之一。近年来，随着世界芒果栽培面积不断扩大，产量逐年上升，芒果已成为世界五大水果之一。其中，中国是世界芒果收获面积第二大的国家，占17％。芒果在我国果业发展中占有重要地位。但农业劳动力日益紧缺，亟待提高果园的机械自动化水平。而果实的实例分割是果园机械自动化的重要前提。在水深度学习技术的兴起给各行各业都带来了较大的变革，但农业领域的相关研究还是相对较少。果园的机械自动化管理依赖于农业机器人对果树或果实的自动识别，其中包括目标检测和目标分割等，而目前采用较多的方法仍旧是基于传统的机器学习方法，这类方法通常鲁棒性不强，难以适应自然果园环境下的光照变化、枝干遮挡、果实大小和形状不一等多种复杂场景。公开号CN109684941A公开了一种基于MATLAB图像处理的荔枝果实采摘区域的划分方法。公开号CN109800619本文档来自技高网...

【技术保护点】
1.一种自然果园场景下的芒果高精度检测方法，其特征在于，包括：/nS1、建立自然场景下的芒果数据库；/nS2、构建基于Mask Scoring R-CNN的初步网络结构；/nS3、在所述初步网络结构的基础上构建BoxIOU MangoNet作为芒果的检测及分割网络：在ROIAlign层后增加一个并行训练的BoxIOU分支，为RPN输出的候选框预测IOU得分；/nS4、测试阶段BoxIOU分支预测的IOU得分与相应的分类置信度进行耦合，再将耦合后的分值替代原本的分类置信度作为后处理阶段的非极大抑制的排列依据；/nS5、利用训练后的BoxIOU MangoNet进行芒果果实的检测和分割。/n

【技术特征摘要】
1.一种自然果园场景下的芒果高精度检测方法，其特征在于，包括：
S1、建立自然场景下的芒果数据库；
S2、构建基于MaskScoringR-CNN的初步网络结构；
S3、在所述初步网络结构的基础上构建BoxIOUMangoNet作为芒果的检测及分割网络：在ROIAlign层后增加一个并行训练的BoxIOU分支，为RPN输出的候选框预测IOU得分；
S4、测试阶段BoxIOU分支预测的IOU得分与相应的分类置信度进行耦合，再将耦合后的分值替代原本的分类置信度作为后处理阶段的非极大抑制的排列依据；
S5、利用训练后的BoxIOUMangoNet进行芒果果实的检测和分割。


2.如权利要求1所述的方法，其特征在于，所述步骤S1包括：
S11、采集果园中未成熟的芒果果实彩色图像，所述彩色图像包括枝叶干扰、果实互相遮挡或表皮光照分布不均的芒果图像；
S12、为采集的彩色图像中的每个芒果标注标签信息；
S13、将标注后的彩色图像数据按照预设比例构建训练集、验证集和测试集；
S14、对所述训练集中的彩色图像进行亮度调节、水平翻转、垂直翻转和对比度增强四种操作扩增数据。


3.如权利要求1所述的方法，其特征在于，所述步骤S2，包括：
构建MaskScoringR-CNN的初步网络结构，其中基础特征提取网络选择ResNet50+FPN；相应地设定RPN输出的候选框个数、网络输出维度、初始学习率及迭代次数；每迭代预设次数保存一个模型。


4.如权利要求1所述的方法，其特征在于，所述步骤S3，包括：
S31、在ROIAlign层后增加一个并行训练的BoxIOU分支；所述BoxIOU分支结构为三...

【专利技术属性】
技术研发人员：薛月菊，陈畅新，涂淑琴，甘海明，王卫星，李诗梅，黄思民，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东;44