基于IM-SSD+ACO算法的整株大豆表型信息提取

为了减少检测整株大豆豆荚及茎秆时相互遮挡对精度造成的影响,提出了一种基于卷积神经网络的大豆豆荚及茎秆表型信息检测方法,根据大豆植株的生长特征和卷积网络的特点,对单次多框检测器(Single shot multibox detector, SSD）进行了改进。与传统SSD相比,改进SSD（IM-SSD）具有更好的抗干扰能力和自学习能力。首先,通过大豆植株图像采集平台获取收获期的大豆植株图像,建立大豆植株RGB空间图像数据集,将数据集分为训练集、测试集和验证集,对训练集进行颜色变换、图像平移、旋转和缩放等方式实现数据的扩增,提高网络的泛化能力。其次,提出一种针对大豆植株图像中豆荚和茎秆的标注方法,仅对未被遮挡的部分进行标注,目的是降低遮挡产生的误判。IM-SSD是在传统SSD结构的基础上增加2个残差层,使用低层特征图融合到高层特征图来增强对小目标的检测能力,提高网络的识别率,输入图像尺寸为600像素×300像素,降低压缩变形带来的影响。对比试验结果表明,IM-SSD的平均精度比SSD300高7.79个百分点,比SSD512高3.83个百分点。由于卷积神经网络获得的大豆植株茎秆定位是分段的,不能体现茎秆的真实特征,提出了一种基于蚁群优化（Ant colony optimization, ACO）算法的大豆植株茎秆提取方法,利用ACO结合IM-SSD的结果提取完整的大豆植株茎秆。最后,通过豆荚定位和大豆植株茎秆提取获得了大豆植株的部分表型信息,包括全株荚数、株高、有效分枝数、主茎与株型。     

一种多种方法相结合的多目标识别方法研究

采用了多种图像处理及目标特征识别方法相结合同时对多个目标进行识别。首先采用了阈值分割、数学形态学方法来分割目标图像,为了获得较完整的目标区域,又使用了基于模糊集理论的区域扩张方法来再次分割目标图像。然后,计算多目标的扩展不变矩特征值。最后,为实现图像快速、并行、准确的识别,并利于大量图像样本的存储,建立了神经网络识别系统。通过Pioneer3DX机器人平台实验,该方法可以在室内环境下同时对多个目标进行快速、准确的识别。