学术中心
非结构化草莓花检测数据增强方法
- 分类：植物表型资讯
- 作者：PhenoTrait
- 来源：本站
- 发布时间：2021-05-15 06:10
- 访问量：
【概要描述】本研究提出一种利用合成图像增强训练数据集的新方法，该方法保留了数据对象的背景背景和纹理。
非结构化草莓花检测数据增强方法
【概要描述】本研究提出一种利用合成图像增强训练数据集的新方法，该方法保留了数据对象的背景背景和纹理。
- 分类：植物表型资讯
- 作者：PhenoTrait
- 来源：本站
- 发布时间：2021-05-15 06:10
- 访问量：
深度学习具有显著的学习图像特征性能，可以为农业自动化提供许多机会。深度神经网络通常需要大量不同的训练数据集来学习可推广的模型。然而，这一要求对于农业自动化系统的应用来说是一个挑战，因为由于作物、生长季节和气候变化的多样性，从田间作物和温室收集和注释大量训练样本是一个昂贵而复杂的过程。本研究提出一种利用合成图像增强训练数据集的新方法，该方法保留了数据对象的背景背景和纹理。
合成图像生成流水线
真实草莓花手工注解
本文使用参考数据集并应用图像处理技术生成了一个包含1800幅图像的合成数据集。作为参考数据集100和评估检测性能，在温室中采集了230幅草莓花的真实图像。实验结果表明，该方法用于非结构化环境下草莓花的检测，具有较高的检测速度，如R-CNN、SSD、YOLOv3和CenterNet等。在使用合成数据集进行增强时，YOLOv3 w/Darkenet53模型的性能提高了46.84%，平均精度(AP)从39.20%提高到86.04%。Faster R-CNN w / resnet50，SSD w / resnet50和FPN和CenterNet w / hourglass52模型的AP分别提高了15.71%，18.42%和22.24%。 Faster R-CNN w / resnet50模型检测性能最显著，AP为90.84%，高于SSD w / resnet50和FPN，YOLOv3 w / darknet53和CenterNet w / hourglass52模型(分别88.56%，86.04%和83.82%)。
不同模型的AP与不同数量的合成图像
几种草莓花检测模型的精确召回曲线
来源：
Rahim U F, Mineno H. Data augmentation method for strawberry flower detection in non-structured environment using convolutional object detection networks. Journal of Agricultural and Crop Research. doi: https://doi.org/10.33495/jacr_v8i11.20.180.
扫二维码用手机看
视频展示
专题报道
联系我们
慧诺瑞德（北京）科技有限公司
地址：北京市海淀区西三旗街道建材城中路12号院8号楼2门
电话：010-62925490、82928854、82928864、82928874
传真：010-62925490-802
Email: info@phenotrait.com
邮编：100096
在线留言
关注我们
植物表型圈
植物表型资讯
慧诺瑞德（北京）科技有限公司版权所有 京ICP备15043840号 网站建设：中企动力 北二分 法律声明