论文部分内容阅读
农作物稳定有序的生产,不仅是人类生存的最基本保障,还是支撑国家经济建设发展的基础。研究如何提高农作物的产量一直以来都是基础性的课题,而麦穗、玉米雄穗等典型农作物的生殖器官和产量直接相关,监测其生长状态是指导农业生产过程中最为关键的环节之一。进入信息时代以来,得益于各种传感器的发展和计算能力的提升,精准农业已经成为现代农业发展的重要方向,借助图像传感器监测农作物生长状态逐渐受到重视。本文重点关注前下视图像中农作物穗的检测算法研究,根据引入人工监督信息由少至多分为无监督穗检测算法、弱监督穗检测算法和强监督穗检测算法,在实际应用中三种算法的人工标注成本也是由少至多。 针对没有人工标注信息情况,本文提出了基于超像素和密度聚类的无监督穗检测算法。对一张待检测的农作物图像首先进行超像素分割,将同一个超像素单元内的所有像素当作一个无差别的整体,利用密度聚类把相似的超像素单元聚合在一起,提取属于穗的区域并去除噪声干扰,以分割结果作为检测判据。无监督检测算法虽然不存在人工标注问题,但检测准确率不高,本文进而考虑引入精确的人工标注信息,提出了一种由粗到精的强监督穗检测算法。首先对图像进行初步检测,利用颜色特征从全局视野找到穗潜在区域,为“粗检测”;然后对得到的潜在区域提取低层稠密SIFT特征,并进行FV编码得等到中层特征描述,进一步识别是否含有穗,为“精检测”。强监督检测算法虽然准确率高,但是人工标注样本的代价巨大,所以本文考虑利用弱标签以降低人工标注成本,提出基于多折多示例学习的弱监督穗检测算法。首先从图像中获取穗的候选区域,然后提取CNN特征,送入多示例分类器中,分类得到穗的位置框和标签。 无监督穗检测算法不需要人工标注,但是检测结果的准确率低,虚警率高,可以应用在场景不复杂、对精度要求不高且难以进行人工标注的情境下。强监督穗检测算法,比无监督检测算法的准确率高,虚警率低,但是人工标注训练样本的成本非常高,适合于对检测精度要求比较高,背景较为复杂,同时允许花费大量人工标注成本的应用。弱监督穗检测算法是一种折中方案,既引入了监督信息,又大大降低人工标注成本,其检测效果也介于强监督穗检测算法和无监督检测算法之间,适合于对检测结果准确率有一定的要求,有进行人工标注的条件,但又无法承担过大人工标注成本的应用。