[发明专利]一种基于粗糙集理论候选框选择技术的枸杞图像识别定位方法

权利要求书

1.一种基于粗糙集理论候选框选择技术的枸杞图像识别定位方法，其特征在于，包括以下步骤：

11)训练样本的获取：获取训练样本数据，训练样本数据为400张双目视觉获取的图像；

12)设定卷积神经网络：设定卷积神经网络的层次、层数和各层属性；所述的设定卷积神经网络包括以下步骤：

121)设定卷积神经网络包括N个卷积层、N₁个ROI池化层和N₂个全连接层；

122)设定N个卷积层依次对训练样本进行特征提取，生成N层特征映射图；

123)设定第N层特征映射图导入RPN网络并利用粗糙集理论候选框选择方法，对第N层特征映射图进行枸杞目标和背景的初步分类，并通过回归生成候选框，确定枸杞目标位置；所述的粗糙集理论候选框选择方法包括以下步骤：

1231)利用3×3卷积核在第N层特征图上滑动，将3×3卷积核中心对应位置映射到原图的感受野的中心点作为基准点，每个基准点对应三种不同尺度{128²、256²、512²}和三种长宽比{1:1、1:2、2:1}的所有尺寸和比例组合，即每个基准点对应9个Anchors，若特征图的大小为L×W，则共有L×W×9个Anchors；

1232)通过RPN网络前向计算得到Anchors的前景得分和回归参数；

1233)将Anchors坐标中超出图像边界的，以及小于给定阈值的删除，对余下的Anchors按照得分高低排序，提取前S个Anchors；

1234)从前S个Anchors M＝{M₁,M₂,…,M_s}中任选一个作为被研究对象M_d，计算被研究对象M_d和M中其余元素M_k之间的

1235)选出IoU中最大的Anchor M_i＝arg max{IoU_di|1≤i≤s且i≠d}和次大的AnchorM_j＝arg max{IoU_dj|1≤j≤s,j≠d且j≠i}，记N为选取的候选框集合，D为被删除的Anchor集合；

1236)若被研究对象M_d和次大Anchor M_j的IoU_djN_t且|IoU_di-IoU_dj|＜ε，

则被研究对象M_d包含于M_i、M_j的上近似集合，即N＝{M_i,M_j,M_d}，M＝{M₁,M₂,...,M_s}\{M_i,M_j,M_d}；

若IoU_djN_t且|IoU_di-IoU_dj|≥ε，研究对象M_d属于最大AnchorM_i的下近似，即被删除，因此D＝{M_d}，N＝{M_i,M_j}，M＝{M₁,M₂,...,M_s}\{M_i,M_j,M_d}；

若IoU_diN_t且IoU_djN_t,

则D＝{M_d}，N＝{M_i,M_j}，M＝{M₁,M₂,...,M_s}\{M_i,M_j,M_d}；

若IoU_diN_t,则N＝{M_i,M_j,M_d}，M＝{M₁,M₂,...,M_s}\{M_i,M_j,M_d}；

1237)遍历计算M＝{M₁,M₂,…,M_s}中剩余的Anchors，直到输出集合N为选取的候选框；

124)设定ROI池化层操作：通过ROI池化层对每个候选框提取固定尺寸的特征图，将候选框在输入图像中的坐标映射到第N层特征图中，对特征图中对应区域进行池化操作，得到固定大小输出的池化结果；

125)设定全连接层操作：将固定大小的池化结果与全连接层相连，全连接层包括两个子连接层，两个子连接层分别为分类层和回归层，分类层用于判断候选框的类别，回归层用于预测候选框的准确位置；

13)卷积神经网络的训练：将训练样本输入卷积神经网络进行训练；

14)待识别图像的获取：获取待识别图像，待识别图像为双目视觉获取的图像；

15)枸杞的识别定位：将待识别图像输入卷积神经网络，通过卷积神经网络识别定位枸杞。

2.根据权利要求1所述的一种基于粗糙集理论候选框选择技术的枸杞图像识别定位方法，其特征在于，所述卷积神经网络的训练包括以下步骤：

21)利用迁移学习方法，将数据集ImageNet上训练的参数对卷积神经网络的基础网络VGG16进行初始化；

22)将训练样本输入已经初始化后的卷积神经网络中对权重微调；

23)通过N个网络层依次对训练样本进行特征提取，生成N层特征映射图；

24)将第N层特征映射图导入RPN网络并利用粗糙集理论候选框选择方法对第N层特征映射图进行枸杞目标和背景的初步分类，并通过回归生成候选框，确定枸杞目标位置；

25)通过ROI池化层对每个候选框提取固定尺寸的特征图，将候选框在输入图像中的坐标映射到第N层特征图中，对特征图中对应区域进行池化操作，得到固定大小输出的池化结果；

26)将固定大小的池化结果与全连接层相连，分类层判断出候选框的类别，回归层预测出候选框的准确位置。