[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

说明书

本发明涉及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，与现有技术相比解决了复杂环境下枸杞图像识别定位精准度低的缺陷。本发明包括以下步骤：训练样本的获取；设定卷积神经网络；卷积神经网络的训练；待识别图像的获取；枸杞的识别定位。本发明改进了传统Faster‑RCNN中候选框选择的方法，降低候选框被误删或者漏删的情况，增强了数据的可靠性，从而保证了对枸杞图像识别和定位的精准度。

技术领域

本发明涉及图像处理技术领域，具体来说是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。

背景技术

枸杞等季节性水果收割周期较短，目前主要依赖于人工完成该项工作。为了进一步降低劳动成本，提出了诸多机械化采摘方案。在方案实施过程中，针对机器人采摘成熟后的枸杞容易破损的特殊性，精准定位显得尤为重要，以此来提高采摘的效率和品质。

现有技术中，虽有部分技术提出了枸杞的识别定位方法，但枸杞作为小颗粒作物而且存在遮挡和重叠的情况，在目标识别算法中候选框容易被误删或漏删，从而导致其定位精度较差。波兰科学家Z.Pawlak提出的基于粗糙集的性质，其广泛应用在数据挖掘领域，可以处理不精确、不确定和不完全数据的数学方法，依据该性质大多处理的是点到集合的不确定性问题。针对图像识别而言，对候选框的选择尤为重要，目前只是简单应用IoU和阈值的控制来筛选候选框，这样的方法简单粗暴，以致于无法更好地满足实际应用。

因此，如何利用改进粗糙集理论的技术优点来提高枸杞识别定位的准确率已经成为亟需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中复杂环境下枸杞图像识别定位精准度低的缺陷，提供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来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

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，包括以下步骤：

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；

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；

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；

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；

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。

所述的设定卷积神经网络包括以下步骤：

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；

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；

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；

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；

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。

所述卷积神经网络的训练包括以下步骤：

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；