《基于 Mask R-CNN 的玉米田间杂草检测方法》
单位:山东农业大学信息科学与工程学院
作者:姜红花
数据获取
相机:Intel RealSense Depth CameraD435 型相机
拍照:距地面 1 m 处垂直拍摄
种类:刺儿草、莎草、灰菜、早熟禾和玉米幼苗图像
数据量:1200×5
数据比例:训练:测试 = 7:3
注:在不同的日照强度、土壤背景( 如湿度、麦秆残茬) 条件下采集。
数据标注
LabelMe手工掩码
模型构建
(1) 卷积神经网络——提取特征
(2) 区域建议网络——基于特征图选出杂草的预选区域
(3) 区域特征聚集——得到固定尺寸的特征图(池化)
(4) 输出模块——类别分类,目标框回归,轮廓分割
参数设置
学习率:0.001
Batch size:32
迭代次数:20000
模型评价
使用均值平均精度(Mean average precision,mAP)作为杂草分割的评估指标, 每一个类别都可以根据召回率(Recall)和精确率( Precision) 绘制一条曲线, 平均精度(Average precision,AP) 是该曲线与坐标轴围成的面积。mAP是由对全部类别的AP值求平均值得到
猜你喜欢:👇🏻
⭐【笔记】基于边缘检测和BP神经网络的大豆杂草识别研究