基于不确定性采样的玉米籽粒识别方法、系统及电子设备技术方案

本发明专利技术提供了一种基于不确定性采样的玉米籽粒识别方法及系统，根据获取的玉米图像数据以及优化后的识别模型，得到玉米籽粒识别结果；其中，识别模型的优化，包括：采用初始模型对未标注的玉米图像数据进行预测，得到初始预测结果，根据初始预测结果基于不确定性采样查询策略进行图像筛选；对未被筛选的图像进行自动标注，对自动标注后不符合标注要求的图像进行人工标注调整，得到第一标注数据集，对筛选出来的图像进行人工标注得到第二标注数据集，根据第一标注数据集和第二数据集的图像进行初始模型的优化训练，得到优化后的识别模型；本发明专利技术可以使用更少量的标注优化模型，实现了更高的模型精度，提高了玉米籽粒识别精度。提高了玉米籽粒识别精度。提高了玉米籽粒识别精度。

【技术实现步骤摘要】
基于不确定性采样的玉米籽粒识别方法、系统及电子设备


[0001]本专利技术涉及图像处理
，特别涉及一种基于不确定性采样的玉米籽粒识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]智能收获机收获时需根据采集的谷物图像判断是否需要调整机器参数，而使用机器学习方法处理谷物图像需要较为精确的模型，尤其是玉米模型；现有的关于模型优化的方法涉及文本数据处理和车辆数据处理等方面，数据智能标注的方法主要是使用主动学习查询策略中的分歧熵选择，使用不同分类器分别进行预测后计算分歧熵，筛选出分歧熵低的数据。
[0004]专利技术人发现，针对玉米籽粒图像数据，目前没有完全适用的标注方法，现有的基于主动学习的数据自动标注方法是使用多个分类器对未标记数据进行标记，计算分歧熵，对于类似智慧农业这样小众场景下的单一模型和分类器的情况并不适用，无法实现玉米籽粒的精确识别。

技术实现思路

[0005]为了解决现有技术的不足，本专利技术提供了一种基于不确定性采样的玉米籽粒识别方法、系统及电子设备，可以使用更少量的图像数据来标注优化模型，提高了模型精度，提高了玉米籽粒识别精度。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术第一方面提供了一种基于不确定性采样的玉米籽粒识别方法。
[0008]一种基于不确定性采样的玉米籽粒识别方法，包括以下过程：
[0009]获取玉米图像数据；
[0010]根据获取的玉米图像数据以及优化后的识别模型，得到玉米籽粒识别结果；
[0011]其中，识别模型的优化，包括：
[0012]采用初始模型对未标注的玉米图像数据进行预测，得到初始预测结果，根据初始预测结果基于不确定性采样查询策略进行图像筛选；
[0013]对未被筛选的图像进行自动标注，对自动标注后不符合标注要求的图像进行人工标注调整，得到第一标注数据集，对筛选出来的图像进行人工标注得到第二标注数据集，根据第一标注数据集和第二数据集的图像进行初始模型的优化训练，得到优化后的识别模型。
[0014]作为本专利技术第一方面进一步的限定，基于不确定性采样查询策略，包括：
[0015][0016]其中，m
i
＝max(P
i1|θ
,P
i2|θ
,
…
,P
iN|θ
)，选择最大值，n
i
＝second_max(P
i1|θ
,P
i2|θ
,
…
,P
iN|θ
)，选择次大值，N为玉米图像中的类别数，A为所有的待标注玉米数据，A
*
为被筛选出的玉米图像数据，i表示预测得到的Box数，θ表示初始模型参数的集合，ε表示模型预测或采样中产生的误差，服从正态分布，P
iN|θ
为经过模型预测和一系列算法处理后得到的玉米图像中各个类别分数归一化后的结果，c1和c2分别表示一个大于0小于1的权重系数，c1小于c2，且相加为1。
[0017]作为本专利技术第一方面更进一步的限定，选取最小概率对应的玉米图像数据A
*
进行人工标注。
[0018]作为本专利技术第一方面进一步的限定，基于不确定性采样查询策略处理经过初始模型预测之后得到的感兴趣区域的概率分数。
[0019]作为本专利技术第一方面进一步的限定，将初始模型筛选出的数据人工标注后加入训练集，使用初始模型对未被筛选的数据进行自动标注，对自动标注不符合标注要求的标签数据进行人工调整，将修改、调整后的数据加入训练集，根据训练集的数据训练并更新模型。
[0020]本专利技术第二方面提供了一种基于不确定性采样的玉米籽粒识别系统。
[0021]一种基于不确定性采样的玉米籽粒识别系统，包括：
[0022]数据获取模块，被配置为：获取玉米图像数据；
[0023]玉米籽粒识别模块，被配置为：根据获取的玉米图像数据以及优化后的识别模型，得到玉米籽粒识别结果；
[0024]其中，识别模型的优化，包括：
[0025]采用初始模型对未标注的玉米图像数据进行预测，得到初始预测结果，根据初始预测结果基于不确定性采样查询策略进行图像筛选；
[0026]对未被筛选的图像进行自动标注，对自动标注后不符合标注要求的图像进行人工标注调整，得到第一标注数据集，对筛选出来的图像进行人工标注得到第二标注数据集，根据第一标注数据集和第二数据集的图像进行初始模型的优化训练，得到优化后的识别模型。
[0027]作为本专利技术第一方面进一步的限定，玉米籽粒识别模块中，基于不确定性采样查询策略，包括：
[0028][0029]其中，m
i
＝max(P
i1|θ
,P
i2|θ
,
…
,P
iN|θ
)，选择最大值，n
i
＝second_max(P
i1|θ
,P
i2|θ
,
…
,P
iN|θ
)，选择次大值，N为玉米图像中的类别数，A为所有的待标注玉米数据，A
*
为被筛选出的玉米图像数据，i表示预测得到的Box数，θ表示初始模型参数的集合；ε表示模型预测或采样中产生的误差，服从正态分布；P
iN|θ
为经过模型预测和一系列算法处理后得到的玉米图像中各个类别分数归一化后的结果；c1和c2分别表示一个大于0小于1的权重系数，c1小于c2，且相加为1。
[0030]作为本专利技术第一方面更进一步的限定，玉米籽粒识别模块中，选取最小概率对应的玉米图像数据A
*
进行人工标注，基于不确定性采样查询策略处理经过初始模型预测之后
得到的感兴趣区域的概率分数。
[0031]本专利技术第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于不确定性采样的玉米籽粒识别方法中的步骤。
[0032]本专利技术第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于不确定性采样的玉米籽粒识别方法中的步骤。
[0033]与现有技术相比，本专利技术的有益效果是：
[0034]本专利技术创新性的提出了一种基于不确定性采样的玉米籽粒识别方法，依据历史模型的预测差异，将玉米模型难以有效提取判别信息的数据挑选出来，同时设置了适用于玉米图像数据的筛选规则，解决了以往智能标注方法忽略历史模型所蕴含的对未标注样本预测稳定性的信息导致挑选的并不一定是最有价值样本的问题，有效的优化了识别模型，提高了标注性能，进而提高了识别精度。
附图说明
[0035]构成本专利技术的一部分的说明书附图用来提供对本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不确定性采样的玉米籽粒识别方法，其特征在于，包括以下过程：获取玉米图像数据；根据获取的玉米图像数据以及优化后的识别模型，得到玉米籽粒识别结果；其中，识别模型的优化，包括：采用初始模型对未标注的玉米图像数据进行预测，得到初始预测结果，根据初始预测结果基于不确定性采样查询策略进行图像筛选；对未被筛选的图像进行自动标注，对自动标注后不符合标注要求的图像进行人工标注调整，得到第一标注数据集，对筛选出来的图像进行人工标注得到第二标注数据集，根据第一标注数据集和第二数据集的图像进行初始模型的优化训练，得到优化后的识别模型。2.如权利要求1所述的基于不确定性采样的玉米籽粒识别方法，其特征在于，基于不确定性采样查询策略，包括：其中，m
i
＝max(P
i1|θ
,P
i2|θ
,
…
,P
iN|θ
)，选择最大值，n
i
＝second_max(P
i1|θ
,P
i2|θ
,
…
,P
iN|θ
)，选择次大值，N为玉米图像中的类别数，A为所有的待标注玉米数据，A
*
为被筛选出的玉米图像数据，i表示预测得到的Box数，θ表示初始模型参数的集合；ε表示模型预测或采样中产生的误差，服从正态分布；P
iN|θ
为经过模型预测和一系列算法处理后得到的玉米图像中各个类别分数归一化后的结果；c1和c2分别表示一个大于0小于1的权重系数，c1小于c2，且相加为1。3.如权利要求2所述的基于不确定性采样的玉米籽粒识别方法，其特征在于，选取最小概率对应的玉米图像数据A
*
进行人工标注。4.如权利要求1所述的基于不确定性采样的玉米籽粒识别方法，其特征在于，基于不确定性采样查询策略处理经过初始模型预测之后得到的感兴趣区域的概率分数。5.如权利要求1所述的基于不确定性采样的玉米籽粒识别方法，其特征在于，将初始模型筛选出的数据人工标注后加入训练集，使用初始模型对未被筛选的数据进行自动标注，对自动标注不符合标注要求的标签数据进行人工调整，将修改、调整后的数据加入训练集，根据训练集的数据训练并更新模型。6.一种基于不确定性采样的玉米籽粒识别系统，其特征在于，包括：数据获取模块，被配置为：...

【专利技术属性】
技术研发人员：李佩霏，张哲，蔡壮，王兴娟，
申请(专利权)人：潍坊潍柴动力科技有限责任公司，
类型：发明
国别省市：