一种基于花蕊检测的花朵计数方法技术

本发明专利技术公开了一种基于花蕊检测的花朵计数方法，所述方法包括以下步骤：步骤(1)：收集需要计数的花卉图像样本，并且标记花蕊区域所在的位置及类别，制作数据集；步骤(2)：根据步骤(1)制作的数据集，利用Faster‑RCNN目标检测网络训练数据集，使得网络可以准确识别图像中的花蕊区域类别及分值；步骤(3)：根据步骤(2)训练完成的网络，将待计数的图像输入网络，获取每一个识别出的花蕊区域的类别及分值，通过筛选确定图像中的花蕊数量及对应类别，从花蕊的数量进而确定花朵数量。本发明专利技术，通过Faster‑RCNN来训练针对花蕊区域的定位及识别，可以有效减少由于背景及遮挡对花朵的影响，提高计数的准确率。

【技术实现步骤摘要】
一种基于花蕊检测的花朵计数方法
本专利技术涉及计算机视觉和图像识别领域，尤其涉及一种基于花蕊检测的花朵计数方法。
技术介绍
花朵计数在机械采摘，自动捆扎等方面均起到关键性作用。但由于花瓣之间遮挡，以及枝干树叶的干扰，想要完整分离出一捆花的每一个花朵难度很大，目前除了利用传统人工计数以外，还没有很好的花朵计数方法。人工计数成本高，不利于自动化生产，且容易出现差错。针对多种花朵混合的情况，人工出错的概率更高。
技术实现思路
针对现有技术的不足，本专利技术提供一种花蕊检测的花朵计数方法，适用于花蕊区域可见的花朵计数。所述方法具有很强的抗遮挡，抗干扰能力，计数准确率及效率大幅提升。为解决上述技术问题，本专利技术的技术方案如下：一种基于花蕊检测的花朵计数方法，所述方法包括以下步骤：步骤(1)：收集需要计数的花卉图像样本，并且标记花蕊区域所在的位置及类别，制作数据集；步骤(2)：根据步骤(1)制作的数据集，利用Faster-RCNN目标检测网络训练数据集，使得网络可以准确识别图像中的花蕊区域类别及分值；步骤(3)：根据步骤(2)训练完成的Faster-RCNN网络，将待计数的图像输入网络，获取每一个识别出的花蕊区域的类别及分值，通过筛选确定图像中的花蕊数量及对应类别，从花蕊的数量进而确定花朵数量；作为对上述方案的进一步描述：步骤(1)中每张图片中提取的花蕊区域位置及类型通过x，y，h，w，c五个数值表示，其中x表示花蕊区域左上角的横坐标，y表示花蕊区域左上角的纵坐标，h代表花蕊区域的高度，w代表花蕊区域的宽度，c代表花蕊区域的类别；其中图像以左上角为坐标原点，向下为纵轴，向右为横轴，类别从0开始，依次为1，2…；通过图像处理技术将图像尺寸全部调整为224*224像素；并将每幅图像的像素点进行标准化，均值为0，标准差为1。作为对上述方案的进一步描述：步骤(2)中利用数据集训练Faster-RCNN目标检测网络，特征提取网络采用ResNet101，锚点的种类设置为9种，三种面积分别是32*32，64*64和128*128，三种长宽比分别是1∶1，1∶1.5，1.5∶1；IOU大于0.8为正样本，小于0.2为负样本；在训练RPN时，随机抽取128个正样本及128个负样本进行训练；最后的分类器采用softmax分类器，训练完成后，将训练好的模型保存。作为对上述方案的进一步描述：步骤(3)中对于待计数的图像，先将尺寸裁剪为224*224像素，然后将像素点进行标准化，均值为0，标准差为1，然后输入Faster-RCNN网络；获取所有识别出的花蕊区域的类别和分值，其中分值采用百分制，表示该区域最有可能属于某类花蕊的概率；根据实际情况，将不属于图像中的类别所对应的花蕊区域删除，同时将低于80％分值的花蕊区域删除，最后将剩余的花蕊区域进行统计，获取每个花蕊类型对应的数量，从而获得该图像中每类花朵的个数，完成计数。与现有技术相比，本专利技术具有以下有益效果：1、花蕊区域一般不易受到背景的干扰，且被花瓣遮挡的概率较小，利用花蕊区域计数来代替整个花朵的计数，可以有效提升计数准确率及效率。2、本专利技术通过Faster-RCNN对一捆花的俯视图图像进行花蕊区域判别，可以获得图像中每个花蕊区域所对应的类别及概率。Faster-RCNN网络具有很强的花蕊区域判别及分类能力，不但可以自动定位花蕊区域，而且可以识别多种不同花蕊类型，可以对多个类型的花朵同时计数。极大提升了识别的效率。附图说明图1为本专利技术的方法流程图。具体实施方式下面结合附图和具体实施例对本专利技术的技术方案做进一步详细说明，但本专利技术并不局限于以下技术方案。实施例1步骤(1)：收集需要计数的花卉图像样本，样本中可以包含一朵或者多朵，一种或者多种花朵类型，每个花朵的花蕊区域需要可见，标记每个花蕊区域所在的位置及类别。具体标记方式为每张图片中提取的花蕊区域位置及类型通过x，y，h，w，c五个数值表示，其中x表示花蕊区域左上角的横坐标，y表示花蕊区域左上角的纵坐标，h代表花蕊区域的高度，w代表花蕊区域的宽度，c代表花蕊区域的类别。其中图像以左上角为坐标原点，向下为纵轴，向右为横轴，类别从0开始，依次为1，2等。然后通过图像处理技术将图像尺寸全部调整为224*224像素。并将每幅图像的像素点进行标准化，均值为0，标准差为1。最后制作数据集；步骤(2)：根据步骤(1)制作的数据集，利用Faster-RCNN目标检测网络训练数据集，使得网络可以准确识别图像中的花蕊区域类别及分值；训练时，特征提取网络采用ResNet101，锚点的种类设置为9种，三种面积分别是32*32，64*64，128*128，三种长宽比分别是1∶1，1∶1.5，1.5∶1。IOU大于0.8为正样本，小于0.2为负样本。在训练RPN时，随机抽取128个正样本及128个负样本进行训练。最后的分类器采用softmax分类器。训练完成后，将训练好的模型保存步骤(3)：根据步骤(2)训练完成的Faster-RCNN网络，将待计数的图像输入网络。该图像一般为俯视图，以清晰看到每朵花的花蕊区域为佳，将待计数的图像尺寸裁剪为224*224像素，然后将像素点进行标准化，均值为0，标准差为1。输入Faster-RCNN网络后，获取所有识别出的花蕊区域的类别和分值，其中分值采用百分制，表示该区域最有可能属于某类花蕊的概率。根据实际情况，将不属于图像中的类别所对应的花蕊区域删除，同时将低于80％分值的花蕊区域删除，最后将剩余的花蕊区域进行统计，获取每个花蕊类型对应的数量，从而获得该图像中每类花朵的个数，完成计数以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本
的技术人员在本申请揭露的技术范围内，根据本申请的技术方案及其技术构思加以等同替换或改变，都应涵盖在本申请的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于花蕊检测的花朵计数方法，其特征在于，所述方法包括以下步骤：/n步骤(1)：收集需要计数的花卉图像样本，并且标记花蕊区域所在的位置及类别，制作数据集；/n步骤(2)：根据步骤(1)制作的数据集，利用Faster-RCNN目标检测网络训练数据集，使得网络可以准确识别图像中的花蕊区域类别及分值；/n步骤(3)：根据步骤(2)训练完成的Faster-RCNN网络，将待计数的图像输入网络，获取每一个识别出的花蕊区域的类别及分值，通过筛选确定图像中的花蕊数量及对应类别，从花蕊的数量进而确定花朵数量；/n

【技术特征摘要】
1.一种基于花蕊检测的花朵计数方法，其特征在于，所述方法包括以下步骤：
步骤(1)：收集需要计数的花卉图像样本，并且标记花蕊区域所在的位置及类别，制作数据集；
步骤(2)：根据步骤(1)制作的数据集，利用Faster-RCNN目标检测网络训练数据集，使得网络可以准确识别图像中的花蕊区域类别及分值；
步骤(3)：根据步骤(2)训练完成的Faster-RCNN网络，将待计数的图像输入网络，获取每一个识别出的花蕊区域的类别及分值，通过筛选确定图像中的花蕊数量及对应类别，从花蕊的数量进而确定花朵数量；


2.根据权利要求1所述一种基于花蕊检测的花朵计数方法，其特征在于，步骤(1)中每张图片中提取的花蕊区域位置及类型通过x，y，h，w，c五个数值表示，其中x表示花蕊区域左上角的横坐标，y表示花蕊区域左上角的纵坐标，h代表花蕊区域的高度，w代表花蕊区域的宽度，c代表花蕊区域的类别；其中图像以左上角为坐标原点，向下为纵轴，向右为横轴，类别从0开始，依次为1，2…；通过图像处理技术将图像尺寸全部调整为224*224像素；并将每幅图像的像素点进行标准化，均值为0，标准差为1。<...

【专利技术属性】
技术研发人员：尚振宏，夏国强，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53