基于改进Mask R–CNN的多片烟叶部位的同步识别

为解决烟叶智能分级识别中需对多片散放烟叶同步进行部位识别的问题，提出一种基于改进Mask R–CNN的多片烟叶的部位同步识别方法：在Mask R–CNN区域建议网络中引入K–means聚类算法，对已标注目标检测框进行聚类，实现对预设的5种尺度的锚点尺寸和3种比例的锚点长宽比的优化，使其更加符合烟叶图像数据的分布特性，达到提高生成建议框的精确性、缩短识别时间的目的。基于采集的烟叶图像数据集，验证改进Mask R–CNN方法的有效性。结果表明，当IoU为0.5时，改进MaskR–CNN单样本耗时313ms，比MaskR–CNN的326ms快，在测试集上的均值平均精度(mAP)提高了3.56%。与FasterR–CNN和SSD目标检测算法相比，在准确率和召回率上也表现出优势。