申请/专利权人:浙江大学软件学院(宁波)管理中心(宁波软件教育中心)
申请日:2022-06-13
公开(公告)日:2022-09-20
公开(公告)号:CN115082787A
主分类号:G06V20/10
分类号:G06V20/10;G06V10/82;G06V10/80;G06V10/774;G06V10/764;G06V10/56;G06N3/04;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2022.10.11#实质审查的生效;2022.09.20#公开
摘要:本发明公开了一种基于CascadeR‑CNN的待采摘水果目标检测方法,该方法具体包括以下步骤:S1:采集自然环境下的水果图像;S2:扩充采集到的原始水果图像;S3:将收集到的原始水果图像划分为训练集、测试集和验证集图像,并将训练集和验证集的图像划分为原始图像和扩充后的图像;S4:人工标注训练集和验证集中的原始图像得到原始数据集;S5:将原始图像数据集输入构建好的CascadeR‑CNN网络训练得到辅助模型;S6:通过辅助模型标注扩充后的图像,得到扩充数据集;S7:将原始数据集和扩充数据集输入构建好的CascadeR‑CNN网络训练得到检测模型;S8:使用测试集在检测模型上测试。本发明使用辅助模型代替人工标注大量图像,极大降低了标注成本,提高了标注效率。
主权项:1.一种基于CascadeR-CNN的待采摘水果目标检测方法,其特征在于,该方法具体包括以下步骤:S1:采集自然环境下的水果图像;S2:将采集到的原始水果图像进行扩充;S3:将收集到的原始水果图像划分为训练集、测试集和验证集图像,并将训练集和验证集的图像划分为原始图像train_org、val_org和扩充后的图像train_aug、val_aug;S4:人工标注训练集中的原始图像:将训练集和验证集中的原始图像train_org、val_org使用labelimg人工标注得到数据集dataset_org;S5:构建CascadeR-CNN网络,将数据集dataset_org输入该网络进行训练,得到训练好的辅助模型pth_aux;S6:通过辅助模型pth_aux标注扩充后的图像train_aug、val_aug,通过辅助模型pth_aux检测水果图像中的待采摘水果目标,得到数据集dataset_aug;S7:将数据集dataset_org和dataset_aug输入构建好的CascadeR-CNN网络训练得到训练好的最终检测模型pth用于测试集图像的检测;S8:使用测试集在检测模型pth测试,输出最后的分类和定位检测框结果。
全文数据:
权利要求:
百度查询: 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) 一种基于Cascade R-CNN的待采摘水果目标检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。