【技术实现步骤摘要】
本专利技术属于计算机视觉和图像处理，具体涉及一种改进mask r-cnn的花卉识别和检测方法。
技术介绍
1、计算机视觉是人工智能的一个分支，专注于使计算机能够从数字图像或视频中识别和处理视觉信息。花卉识别和检测是计算机视觉领域中的一个重要任务。它旨在通过自动分析花卉图像，确定花卉的类别和位置信息。这项技术在农业、植物学研究、景观设计和花卉市场等领域具有广泛的应用前景。
2、在花卉识别和检测的研究中，深度学习成为主要的方法之一。深度学习是一种基于人工神经网络的机器学习方法，通过学习大量数据来获取高层次的抽象特征，并实现对复杂模式和结构的识别。在花卉图像分析中，深度学习可以自动地从原始图像中学习到花卉的特征表示，并进行分类、检测和分割等任务。
3、在深度学习框架中，mask r-cnn是一种被广泛应用于目标检测和图像分割的方法。它是对faster r-cnn的扩展，能够同时输出目标的类别标签、边界框位置和像素级的分割掩膜。mask r-cnn在花卉识别和检测任务中表现出良好的性能，可以提供精确的边界框和细致的分割结果。
4、在花卉图像中，花瓣之间可能存在相互遮挡的情况。这种遮挡会导致部分花瓣无法完整地被检测和分割出来，从而影响对花卉的准确识别和边界框的精确定位。花卉的边缘区域通常具有复杂的形状和纹理特征，而当前技术在对边缘区域进行分割时可能存在一定的限制。这可能导致分割结果的边界不够精细，无法准确地捕捉到花卉的细微边缘特征，从而影响对花卉形状的精确描述和分析。
技术实
1、针对现有技术存在的不足，本专利技术的目的在于提供一种改进mask r-cnn的花卉识别和检测方法，通过引入改进的canny算子，使用八个方向的卷积来筛选交叉边缘信息，更好地保留原始图像的边缘特征，并通过引入多任务学习的不确定性权重，提高边缘特征分割的准确性。
2、为了实现上述目的，本专利技术采用以下技术方案予以实现：
3、一种改进mask r-cnn的花卉识别和检测方法，包括以下步骤：
4、步骤1：选择花卉图像的数据集；
5、步骤2：对数据集进行预处理，提高图像的可视化效果和特征的清晰度；
6、步骤3：按照8:2的比例将经步骤2处理的数据集分为训练集和验证集；
7、步骤4：将数据集从json文件转换成了网络训练所需的coco数据集格式；
8、步骤5：选择特征提取网络并使用改进的canny算子对提取的特征图边缘检测；
9、所述的改进的canny算子为8个不同方向的算子，方向分别为分别是0°、45°、90°、135°、180°、225°、270°、315°；
10、改进方法为采用八个3×3的矩阵去和原始图片进行卷积操作，设原始图像为式(1)：
11、
12、其中pi是像素点的数值，再分别计算各个方向的亮度差分近似值；
13、然后为了降低噪声的影响，由式(2)、(3)、(4)和(5)加权求和，再由(6)计算出某点梯度近似值，并且由式(7)得到梯度的方向：
14、
15、
16、
17、
18、
19、
20、其中，gx为x角度方向的亮度差分近似值，g(x,y)为该点的梯度近似值，θ(x,y)为该点的梯度方向；
21、步骤6：初始化网络参数；
22、步骤7：将训练集数据输入网络模型并训练100个周期；
23、步骤8：使用训练好的模型对测试集进行检测，其中，损失函数计算采用多任务学习的不确定性权重方法调整各分支损失权重，最终得到模型的精度换热召回率以及模型的效果图。
24、本专利技术还具有以下技术特征：
25、优选的，步骤2中所述的数据预处理过程包括：对数据集进行亮度增强、对比度增强和hsv数据增强处理。
26、优选的，步骤5中所述的特征提取网络过程包括：resnet-50、resnet-101和nasnet-large网络。
27、优选的，步骤5中所述的特征提取网络过程为nasnet-large网络。
28、进一步的，步骤7中将训练集数据输入网络模型并训练的具体过程如下：
29、步骤a1：将训练集数据输入步骤5中选择的特征提取网络中，获得花卉图像不同阶段对应特征图；
30、步骤a2：使用图5中所示的改进canny算子对特征提取网络提取的特征图进行8方向边缘检测，再通过自适应选取阈值的方法，克服人为选取阈值的误差性和局限性，得到更加完整的边缘区域；
31、步骤a3：候选区域经由区域生成的深度全卷积网络进行处理，通过二值分类和边界回归的方式进行精细筛选；
32、步骤a4：对过滤后的候选区域进行roi align操作，即先将原图和特征图的像素值对应起来，然后将特征图和固定的特征对应起来，同时再用改进canny算子对进行边缘检测；
33、步骤a5：将经过roi align操作的特征图进行大小固定，即遍历每一个候选区域，保持浮点数边界不做量化；
34、步骤a6：将维度和大小统一好的花卉图像输入到标记模块、掩膜模块以及分类模块进行训练，输出花瓣模型。
35、进一步的，步骤a2中所述的自适应选取阈值的方法包括：
36、根据图像的全局灰度值，设置起始阈值为t，将图像分为前景和背景两个部分；
37、前景的灰度平均值记为w1，其占总图像灰度的p1；后景的平均灰度值记为w2，其占总图像灰度的p2，图像全局平均灰度值记为w0，类间方差记为g；
38、w0＝w1*p1+w2*p2
39、g＝(w1-w0)2*p1+(w2-w0)2*p2
40、化简后为：
41、g＝p1*p2*(w1-w2)2
42、将g值最大时的t值作为最佳高阈值，取最佳高阈值的1/2作为最佳低阈值；
43、将高于高阈值的点视为强边缘，灰度在最佳高阈值和低阈值之间的点视为弱边缘作分类处理，低于低阈值的点直接置0；
44、对弱边缘点进行8邻域搜索，在其8邻域内存在强边缘点的弱边缘点保留且置1，反之置0。
45、优选的，步骤a4中所述的roialign操作及边缘检测的具体方法包括：
46、由mask分支的输出中，选择花瓣类型掩膜，结合真值掩膜作为扩展模块的输入，通过一个3×3×8维的canny边缘检测滤波器，进行卷积分别得到花瓣预测和真值边缘，通过加权求和最后得到梯度值，最后采用均方误差得到损失项。
47、优选的，步骤a6中所述的训练过程中批量大小设置为4，学习率设置为0.001，动量因子设置为0.8，并进行了100个训练周期的训练。
48、步骤8中所述的损失函数为：
49、lmrcnn＝wclass*lclass+wm本文档来自技高网...
【技术保护点】
1.一种改进Mask R-CNN的花卉识别和检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的改进Mask R-CNN的花卉识别和检测方法，其特征在于，步骤2中所述的数据预处理过程包括：对数据集进行亮度增强、对比度增强和HSV数据增强处理。
3.如权利要求1所述的改进Mask R-CNN的花卉识别和检测方法，其特征在于，步骤5中所述的特征提取网络过程包括：ResNet-50、ResNet-101和NASNet-Large网络。
4.如权利要求1所述的改进Mask R-CNN的花卉识别和检测方法，其特征在于，步骤5中所述的特征提取网络过程为NASNet-Large网络。
5.如权利要求1所述的改进Mask R-CNN的花卉识别和检测方法，其特征在于，步骤7中将训练集数据输入网络模型并训练的具体过程如下：
6.如权利要求5所述的改进Mask R-CNN的花卉识别和检测方法，其特征在于，步骤A2中所述的自适应选取阈值的方法包括：
7.如权利要求5所述的改进Mask R-CNN的花卉识别和检测方法，其特征在
8.如权利要求5所述的改进Mask R-CNN的花卉识别和检测方法，其特征在于，步骤A6中所述的训练过程中批量大小设置为4，学习率设置为0.001，动量因子设置为0.8，并进行了100个训练周期的训练。
9.如权利要求1所述的改进Mask R-CNN的花卉识别和检测方法，其特征在于，步骤8中所述的损失函数为：
...【技术特征摘要】
1.一种改进mask r-cnn的花卉识别和检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的改进mask r-cnn的花卉识别和检测方法，其特征在于，步骤2中所述的数据预处理过程包括：对数据集进行亮度增强、对比度增强和hsv数据增强处理。
3.如权利要求1所述的改进mask r-cnn的花卉识别和检测方法，其特征在于，步骤5中所述的特征提取网络过程包括：resnet-50、resnet-101和nasnet-large网络。
4.如权利要求1所述的改进mask r-cnn的花卉识别和检测方法，其特征在于，步骤5中所述的特征提取网络过程为nasnet-large网络。
5.如权利要求1所述的改进mask r-cnn的花卉识别和检测方法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。