[发明专利]一种基于SSD卷积网络的大豆植株茎荚识别方法

权利要求书

1.一种基于SSD的卷积网络的大豆植株茎荚识别方法，其特征在于，包括以下步骤：

S1.通过佳能5D Mark II相机固定于距离蓝色背景布120cm的位置进行单株大豆样本图像采集，得到大豆植株图像库；

S2.遍历步骤S1中所述图像库中所有的样本图像，对每张样本图像进行豆荚、茎秆的手工标注，将未被遮挡的豆荚尖部标注为豆荚类，茎秆裸露部分标注茎秆类，获得原始图像库，并将图像库无重复的分为训练集、验证集、测试集；

S3.针对步骤S2中所述的已标注的训练集图像进行随机图像增强和数据扩增。采用自适应直方图均衡化进行图像增强；采用在一定阈值内RGB颜色通道的随机调整及水平、垂直镜像翻转和随机旋转、平移操作进行数据扩增，并对旋转、平移后的图像进行居中截取，经处理后的图像如果目标超出边界则丢弃标注，得到增强扩增训练集；

S4.构造SSD卷积网络，用不同层次的特征图，进行多尺度检测；

S5.将步骤S2、S3中训练样本输送到SSD卷积神经网络进行预训练并迭代预训练得到预训练后模型，同时确定所述SSD卷积神经网络中的学习参数；

S6.将所述测试集输送到训练好的所述SSD卷积神经网络中进行识别测试，并将识别结果中置信度大于40％的分类结果作为测试样本的输出识别结果。

2.根据权利要求1所述的基于SSD的卷积网络的大豆植株茎荚识别方法，其特征在于，步骤S2中，对每张样本图像进行豆荚、茎秆的手工标注，将未被遮挡的豆荚尖部标注为豆荚类，茎秆裸露部分标注茎秆类。

3.根据权利要求1所述的基于SSD的卷积网络的大豆植株茎荚识别方法，其特征在于，步骤S3中所述的已标注的训练集图像进行随机图像增强和数据扩增。采用自适应直方图均衡化进行图像增强；采用在一定阈值内RGB颜色通道的随机调整及水平、垂直镜像翻转和随机旋转、平移操作进行数据扩增，并对旋转、平移后的图像进行居中截取，经处理后的图像如果目标超出边界则丢弃标注的方法。

4.根据权利要求1所述的基于SSD的卷积网络的大豆植株茎荚识别方法，其特征在于，步骤S4中所述的SSD模型在VGG-16网络中增加一层融合层和四个卷积层构建，步骤S4中训练模型的建立步骤如下:

S41.以大豆植株样本图像为输入，在卷积层中对图像卷积运算得到的特征图；

S42.对VGG-16网络中增加Add4_3层，Add4_3是由Maxpool3和Conv4_2两个特征图融合(Add)后，经ReLU激活，并由Batch Normalization(BN)归一化后构成，Add4_3作为Conv4_3层的输入，网络中的Conv4_3层、Fc7层、Conv8_2～Conv11_2层的特征图用3×3卷积核进行卷积，分别实现输出分类用的置信度和输出回归用的定位信息；

S43.将所有的输出结构合并，通过非极大值抑制处理得到检测结果。

5.根据权利要求4所述的基于SSD的卷积网络的大豆植株茎荚识别方法，其特征在于，输出分类用的置信度时，每个边框生成两个类别的置信度；输出回归用的定位信息时，每个边框的生成四个坐标值(x,y,w,h)。

6.根据权利要求4所述的基于SSD的卷积网络的大豆植株茎荚识别方法，其特征在于，步骤S41中特征图按下述方法进行运算：

步骤1：将Conv4_3层输出的特征图分成76×38个单元，每个单元上使用四种默认边界框，每个默认边界框上使用大小为3×3的卷积核进行卷积运算，输出边框的四个元素，分别是输出边框的左上角的横纵坐标x、y和边框回归层所输出边框的宽w、高h，以及边框中的物体分别属于豆荚和茎秆的置信度；

步骤2：按照步骤S411中相同的方法依次在Fc7层、Conv8_2～Conv11_2层输出的特征图上进行计算；其中，各层特征图分别被分为38×19、20×10、10×5、6×3、1×1个单元，每个单元所使用的默认边界框数分别为6、6、6、4、4。

7.根据权利要求1所述的基于SSD的卷积网络的大豆植株茎荚识别方法，其特征在于，步骤S4中预训练后模型的训练误差小于15％，测试误差的平均值小于20％。