藥用植物目標(biāo)檢測可以有效應(yīng)用于藥用植物的圖像識別以及圖像的語義分割。文章對已有的算法做了優(yōu)化,使其對自然環(huán)境下的藥用植物目標(biāo)檢測更為準(zhǔn)確,提出了一種基于選擇性搜索的目標(biāo)檢測算法。該算法首先對藥植圖像進行高斯濾波去噪,并對圖像做歸一化預(yù)處理。對預(yù)處理后的圖片使用基于圖的圖像分割算法進行原始分割區(qū)域的劃分,計算相鄰區(qū)域間的顏色、紋理、大小和交疊相似度。最后根據(jù)相似度進行區(qū)域合并,最終得到目標(biāo)區(qū)域。文章圖片數(shù)據(jù)集來自PPBC中國植物圖像庫以及作者實地拍攝。實驗結(jié)果表明,該算法對有花植物檢測得分達到84.3,葉片植物檢測得分達到67.86,平均檢測得分為76.08,較原選擇性搜索算法提升12.64。此外,該算法不需要訓(xùn)練,計算簡單,適用性更強。 

【文章來源】：軟件. 2020,41(06)

【文章頁數(shù)】：6 頁

【部分圖文】：

標(biāo)注示例Fig.2Annotationexample

孟令濤等：基于選擇性搜索的藥用植物目標(biāo)檢測99《軟件》雜志歡迎推薦投稿：cosoft@vip.163.com實驗設(shè)置Scale值從100~1200遞增，不同Scale值下藥用植物的平均檢測得分如圖3所示。由圖3可知，在高斯核大小Sigma取0.5、合并策略為C+T+S+F的情況下，當(dāng)Scale值為100時，平均檢測得分只有35.3，到800時達到最大值58，到1200時平均檢測得分降到了46.4�？梢钥闯觯诔跏贾�100的情況下，初始分割區(qū)域過于精細導(dǎo)致過度界定不同區(qū)域，使得目標(biāo)區(qū)域內(nèi)目標(biāo)檢測框數(shù)量過多且重合，而當(dāng)Scale取值大于800后，算法無法準(zhǔn)確界定目標(biāo)所在區(qū)域，檢測效果不理想。根據(jù)實驗結(jié)果，初始分割區(qū)域參數(shù)Scale設(shè)為800。圖3不同Scale值下算法平均檢測得分對比圖Fig.3ComparisonoftheaveragedetectionscoreofthealgorithmunderdifferentScalevalues按照同樣的方法，設(shè)定高斯核Sigma（即標(biāo)準(zhǔn)差）從0.1增大到1.5。實驗結(jié)果顯示，算法的平均檢測得分在Sigma取0.8時達到最大值70.3。當(dāng)高斯核取值較小時，高斯濾波去噪效果不明顯，圖像噪點嚴(yán)重，導(dǎo)致目標(biāo)分割區(qū)域過多，重疊嚴(yán)重；隨著高斯核取值的增大，算法的平滑效果更明顯，圖像的顏色特征對區(qū)域分割的影響更大，因此檢測效果也變得更好。圖4展示了不同Sigma取值下的檢測效果圖。由于在自然環(huán)境下采集圖片時的光照、天氣等條件均不同，步驟（2）中四種相似度會對目標(biāo)檢測產(chǎn)生不同程度的影響。為了探究四種相似度的影響程度，本文在確定Scale=800，Sigma=0.8的前提下，以各種策略組合設(shè)置實驗。在初始分割區(qū)域大小設(shè)為800、高斯核大小設(shè)為0.8的前提下，不同合并策略對藥用植物目標(biāo)檢測的結(jié)果如圖5所示。從折線圖中可以看出，在“C+T+S+F”合并策略下，藥用植物目標(biāo)檢測的平均檢測得分最高。?

孟令濤等：基于選擇性搜索的藥用植物目標(biāo)檢測99《軟件》雜志歡迎推薦投稿：cosoft@vip.163.com實驗設(shè)置Scale值從100~1200遞增，不同Scale值下藥用植物的平均檢測得分如圖3所示。由圖3可知，在高斯核大小Sigma取0.5、合并策略為C+T+S+F的情況下，當(dāng)Scale值為100時，平均檢測得分只有35.3，到800時達到最大值58，到1200時平均檢測得分降到了46.4�？梢钥闯觯诔跏贾�100的情況下，初始分割區(qū)域過于精細導(dǎo)致過度界定不同區(qū)域，使得目標(biāo)區(qū)域內(nèi)目標(biāo)檢測框數(shù)量過多且重合，而當(dāng)Scale取值大于800后，算法無法準(zhǔn)確界定目標(biāo)所在區(qū)域，檢測效果不理想。根據(jù)實驗結(jié)果，初始分割區(qū)域參數(shù)Scale設(shè)為800。圖3不同Scale值下算法平均檢測得分對比圖Fig.3ComparisonoftheaveragedetectionscoreofthealgorithmunderdifferentScalevalues按照同樣的方法，設(shè)定高斯核Sigma（即標(biāo)準(zhǔn)差）從0.1增大到1.5。實驗結(jié)果顯示，算法的平均檢測得分在Sigma取0.8時達到最大值70.3。當(dāng)高斯核取值較小時，高斯濾波去噪效果不明顯，圖像噪點嚴(yán)重，導(dǎo)致目標(biāo)分割區(qū)域過多，重疊嚴(yán)重；隨著高斯核取值的增大，算法的平滑效果更明顯，圖像的顏色特征對區(qū)域分割的影響更大，因此檢測效果也變得更好。圖4展示了不同Sigma取值下的檢測效果圖。由于在自然環(huán)境下采集圖片時的光照、天氣等條件均不同，步驟（2）中四種相似度會對目標(biāo)檢測產(chǎn)生不同程度的影響。為了探究四種相似度的影響程度，本文在確定Scale=800，Sigma=0.8的前提下，以各種策略組合設(shè)置實驗。在初始分割區(qū)域大小設(shè)為800、高斯核大小設(shè)為0.8的前提下，不同合并策略對藥用植物目標(biāo)檢測的結(jié)果如圖5所示。從折線圖中可以看出，在“C+T+S+F”合并策略下，藥用植物目標(biāo)檢測的平均檢測得分最高。?

【參考文獻】：
期刊論文
[1]基于選擇性搜索和卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測[J]. 吳素雯,戰(zhàn)蔭偉.  計算機應(yīng)用研究. 2017(09)
[2]選擇性搜索和多深度學(xué)習(xí)模型融合的目標(biāo)跟蹤[J]. 鐘必能,潘勝男.  華僑大學(xué)學(xué)報(自然科學(xué)版). 2016(02)
[3]中藥連作障礙形成及其時空效應(yīng)理論探討[J]. 張琳,王曉,史國玉,周潔,耿巖玲,劉建華,劉偉.  現(xiàn)代中藥研究與實踐. 2014(05)
[4]車臉定位及識別方法研究[J]. 李全武,李玉惠,李勃,陳伊.  計算機科學(xué)與探索. 2015(06)
[5]基于葉片圖像的植物識別方法[J]. 闞江明,王怡萱,楊曉微,冷萃.  科技導(dǎo)報. 2010(23)
[6]發(fā)展野生瀕危藥用動植物的家養(yǎng)家種是緩解供求矛盾和保護生態(tài)的有效途徑[J]. 李煥普.  中國現(xiàn)代中藥. 2008(07)



本文編號：3264280