一种基于改进的FasterRCNN的棕榈树检测和计算方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114170172A(43)申请公布日2022.03.11(21)申请号202111450253.5(22)申请日2021.11.30(71)申请人西安财经大学地址710000陕西省西安市长安区常宁大街360号(72)发明人柳新妮(74)专利代理机构西安通大专利代理有限责任公司61200代理人张宇鸽(51)Int.Cl.G06T7/00(2017.01)G06T5/50(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于改进的FasterRCNN的棕榈树检测和计算方法(57)摘要本发明提供一种快速检测，检测精确率高的基于改进的FasterRCNN的棕榈树检测和计算方法。包括以下步骤，获取棕榈树种植园的高分辨率图像；根据高分辨率图像制作数据集，并把数据集拆分为训练数据集和测试数据集；得到的训练数据集进行标记；基于改进FasterRCNN算法，构建目标检测算法框架；利用目标检测算法框架，对标记的训练数据集进行训练，得到训练好的检测算法框架；将待检测的棕榈树数目的高分辨率图像输入到训练好的检测算法框架中进行检测并计算得到的棕榈树数目。CN114170172ACN114170172A权利要求书1/2页1.一种基于改进的FasterRCNN的棕榈树检测和计算方法，其特征在于，包括以下步骤：步骤1：获取棕榈树种植园的高分辨率图像；步骤2：根据步骤1中的高分辨率图像制作数据集，并把数据集拆分为训练数据集和测试数据集；步骤3：对步骤2中得到的训练数据集进行标记；步骤4：基于改进FasterRCNN算法，构建目标检测算法框架；步骤5：利用步骤4中的目标检测算法框架，对步骤3中标记的训练数据集进行训练，得到训练好的检测算法框架；步骤6：将待检测的棕榈树数目的高分辨率图像输入到步骤5中训练好的检测算法框架中进行检测并计算得到的棕榈树数目。2.根据权利要求1所述一种基于改进的FasterRCNN的棕榈树检测和计算方法，其特征在于，所述步骤1中获取棕榈树种植园的高分辨率图像，具体方法为：在棕榈树种植园中，使用无人机多次飞行采集棕榈树种植园各个区域的图片，然后把采集到的图片拼接，形成整个棕榈树种植园的高分辨率图像。3.根据权利要求1所述一种基于改进的FasterRCNN的棕榈树检测和计算方法，其特征在于，所述步骤2中根据步骤1中的高分辨率图像制作数据集，具体方法为：将采集到的棕榈树种植园的高分辨率图像，切割为大小相同，分辨率低的子图像的数据集，并把子图像的数据集划分为训练数据集和测试数据集。4.根据权利要求3所述一种基于改进的FasterRCNN的棕榈树检测和计算方法，其特征在于，所述子图像的分辨率大小为500×600。5.根据权利要求1所述一种基于改进的FasterRCNN的棕榈树检测和计算方法，其特征在于，所述步骤3中对步骤2中的训练数据集进行标记，具体方法为：利用标记软件labelImg对训练数据集中的每个子图像进行标记，用矩形框标记出子图像中的目标，标记完后，生成一个.txt文件用于记录子图像中目标的位置和名称。6.根据权利要求5所述一种基于改进的FasterRCNN的棕榈树检测和计算方法，其特征在于，所述标记出子图像中的目标为棕榈树。7.根据权利要求1所述一种基于改进的FasterRCNN的棕榈树检测和计算方法，其特征在于，所述步骤4中基于改进FasterRCNN算法，构建目标检测算法框架，具体方法为：用ResNet在ImageNet数据集上进行训练，得到ResNet的网络参数，提取ResNet的网络参数的卷积层网络参数，利用迁移学习法把卷积层网络参数迁移到FasterRCNN的CNN网络上，作为FasterRCNN的CNN网络的网络参数以构建目标检测算法框架。8.根据权利要求7所述一种基于改进的FasterRCNN的棕榈树检测和计算方法，其特征在于，所述步骤5中利用步骤4中的目标检测算法框架，对步骤3中的标记的训练数据集进行训练，得到训练好的检测算法框架，具体方法为：输入训练数据集经过FasterRCNN的CNN网络提取到迁移特征图；将迁移特征图输入到RPN网络中进行训练得到候选框；将迁移特征图中的特征分别和候选框中的特征进行池化操作，得到的候选框特征图；再经过全连接层，进行分类和边框修正，输出训练数据集中目标的位置和分类结果，得到训练好的检测算法框架。2CN114170172A权利要求书2/2页9.根据权利要求1所述一种基于改进的FasterRCNN的棕榈树检测和计算方法，其特征在于，利用步骤2中的测试数据集对步骤5中训练好的检测算法框架进行验证，检测并计算测试数据集中每张子