《基于 Mask R-CNN 的玉米田间杂草检测方法》

单位：山东农业大学信息科学与工程学院
作者：姜红花

数据获取

相机：Intel RealSense Depth CameraD435 型相机
拍照：距地面 1 m 处垂直拍摄
种类：刺儿草、莎草、灰菜、早熟禾和玉米幼苗图像
数据量：1200×5
数据比例：训练:测试 = 7:3
注：在不同的日照强度、土壤背景( 如湿度、麦秆残茬) 条件下采集。

数据标注

LabelMe手工掩码

模型构建

（1） 卷积神经网络——提取特征
（2） 区域建议网络——基于特征图选出杂草的预选区域
（3） 区域特征聚集——得到固定尺寸的特征图(池化)
（4） 输出模块——类别分类，目标框回归，轮廓分割

参数设置

学习率：0.001
Batch size：32
迭代次数：20000

模型评价

使用均值平均精度(Mean average precision，mAP)作为杂草分割的评估指标， 每一个类别都可以根据召回率(Recall)和精确率( Precision) 绘制一条曲线， 平均精度(Average precision，AP) 是该曲线与坐标轴围成的面积。mAP是由对全部类别的AP值求平均值得到

猜你喜欢：????????
⭐【笔记】基于边缘检测和BP神经网络的大豆杂草识别研究