基于选择性搜索的药用植物目标检测
发布时间：2021-07-04 06:58
药用植物目标检测可以有效应用于药用植物的图像识别以及图像的语义分割。文章对已有的算法做了优化,使其对自然环境下的药用植物目标检测更为准确,提出了一种基于选择性搜索的目标检测算法。该算法首先对药植图像进行高斯滤波去噪,并对图像做归一化预处理。对预处理后的图片使用基于图的图像分割算法进行原始分割区域的划分,计算相邻区域间的颜色、纹理、大小和交叠相似度。最后根据相似度进行区域合并,最终得到目标区域。文章图片数据集来自PPBC中国植物图像库以及作者实地拍摄。实验结果表明,该算法对有花植物检测得分达到84.3,叶片植物检测得分达到67.86,平均检测得分为76.08,较原选择性搜索算法提升12.64。此外,该算法不需要训练,计算简单,适用性更强。
【文章来源】：软件. 2020,41(06)
【文章页数】：6 页
【部分图文】：
标注示例Fig.2Annotationexample
孟令涛等：基于选择性搜索的药用植物目标检测99《软件》杂志欢迎推荐投稿：cosoft@vip.163.com实验设置Scale值从100~1200递增，不同Scale值下药用植物的平均检测得分如图3所示。由图3可知，在高斯核大小Sigma取0.5、合并策略为C+T+S+F的情况下，当Scale值为100时，平均检测得分只有35.3，到800时达到最大值58，到1200时平均检测得分降到了46.4。可以看出，在初始值100的情况下，初始分割区域过于精细导致过度界定不同区域，使得目标区域内目标检测框数量过多且重合，而当Scale取值大于800后，算法无法准确界定目标所在区域，检测效果不理想。根据实验结果，初始分割区域参数Scale设为800。图3不同Scale值下算法平均检测得分对比图Fig.3ComparisonoftheaveragedetectionscoreofthealgorithmunderdifferentScalevalues按照同样的方法，设定高斯核Sigma（即标准差）从0.1增大到1.5。实验结果显示，算法的平均检测得分在Sigma取0.8时达到最大值70.3。当高斯核取值较小时，高斯滤波去噪效果不明显，图像噪点严重，导致目标分割区域过多，重叠严重；随着高斯核取值的增大，算法的平滑效果更明显，图像的颜色特征对区域分割的影响更大，因此检测效果也变得更好。图4展示了不同Sigma取值下的检测效果图。由于在自然环境下采集图片时的光照、天气等条件均不同，步骤（2）中四种相似度会对目标检测产生不同程度的影响。为了探究四种相似度的影响程度，本文在确定Scale=800，Sigma=0.8的前提下，以各种策略组合设置实验。在初始分割区域大小设为800、高斯核大小设为0.8的前提下，不同合并策略对药用植物目标检测的结果如图5所示。从折线图中可以看出，在“C+T+S+F”合并策略下，药用植物目标检测的平均检测得分最高。?
孟令涛等：基于选择性搜索的药用植物目标检测99《软件》杂志欢迎推荐投稿：cosoft@vip.163.com实验设置Scale值从100~1200递增，不同Scale值下药用植物的平均检测得分如图3所示。由图3可知，在高斯核大小Sigma取0.5、合并策略为C+T+S+F的情况下，当Scale值为100时，平均检测得分只有35.3，到800时达到最大值58，到1200时平均检测得分降到了46.4。可以看出，在初始值100的情况下，初始分割区域过于精细导致过度界定不同区域，使得目标区域内目标检测框数量过多且重合，而当Scale取值大于800后，算法无法准确界定目标所在区域，检测效果不理想。根据实验结果，初始分割区域参数Scale设为800。图3不同Scale值下算法平均检测得分对比图Fig.3ComparisonoftheaveragedetectionscoreofthealgorithmunderdifferentScalevalues按照同样的方法，设定高斯核Sigma（即标准差）从0.1增大到1.5。实验结果显示，算法的平均检测得分在Sigma取0.8时达到最大值70.3。当高斯核取值较小时，高斯滤波去噪效果不明显，图像噪点严重，导致目标分割区域过多，重叠严重；随着高斯核取值的增大，算法的平滑效果更明显，图像的颜色特征对区域分割的影响更大，因此检测效果也变得更好。图4展示了不同Sigma取值下的检测效果图。由于在自然环境下采集图片时的光照、天气等条件均不同，步骤（2）中四种相似度会对目标检测产生不同程度的影响。为了探究四种相似度的影响程度，本文在确定Scale=800，Sigma=0.8的前提下，以各种策略组合设置实验。在初始分割区域大小设为800、高斯核大小设为0.8的前提下，不同合并策略对药用植物目标检测的结果如图5所示。从折线图中可以看出，在“C+T+S+F”合并策略下，药用植物目标检测的平均检测得分最高。?
【参考文献】：
期刊论文
[1]基于选择性搜索和卷积神经网络的人脸检测[J]. 吴素雯,战荫伟. 计算机应用研究. 2017(09)
[2]选择性搜索和多深度学习模型融合的目标跟踪[J]. 钟必能,潘胜男. 华侨大学学报(自然科学版). 2016(02)
[3]中药连作障碍形成及其时空效应理论探讨[J]. 张琳,王晓,史国玉,周洁,耿岩玲,刘建华,刘伟. 现代中药研究与实践. 2014(05)
[4]车脸定位及识别方法研究[J]. 李全武,李玉惠,李勃,陈伊. 计算机科学与探索. 2015(06)
[5]基于叶片图像的植物识别方法[J]. 阚江明,王怡萱,杨晓微,冷萃. 科技导报. 2010(23)
[6]发展野生濒危药用动植物的家养家种是缓解供求矛盾和保护生态的有效途径[J]. 李焕普. 中国现代中药. 2008(07)
本文编号：3264280
【文章来源】：软件. 2020,41(06)
【文章页数】：6 页
【部分图文】：
标注示例Fig.2Annotationexample
孟令涛等：基于选择性搜索的药用植物目标检测99《软件》杂志欢迎推荐投稿：cosoft@vip.163.com实验设置Scale值从100~1200递增，不同Scale值下药用植物的平均检测得分如图3所示。由图3可知，在高斯核大小Sigma取0.5、合并策略为C+T+S+F的情况下，当Scale值为100时，平均检测得分只有35.3，到800时达到最大值58，到1200时平均检测得分降到了46.4。可以看出，在初始值100的情况下，初始分割区域过于精细导致过度界定不同区域，使得目标区域内目标检测框数量过多且重合，而当Scale取值大于800后，算法无法准确界定目标所在区域，检测效果不理想。根据实验结果，初始分割区域参数Scale设为800。图3不同Scale值下算法平均检测得分对比图Fig.3ComparisonoftheaveragedetectionscoreofthealgorithmunderdifferentScalevalues按照同样的方法，设定高斯核Sigma（即标准差）从0.1增大到1.5。实验结果显示，算法的平均检测得分在Sigma取0.8时达到最大值70.3。当高斯核取值较小时，高斯滤波去噪效果不明显，图像噪点严重，导致目标分割区域过多，重叠严重；随着高斯核取值的增大，算法的平滑效果更明显，图像的颜色特征对区域分割的影响更大，因此检测效果也变得更好。图4展示了不同Sigma取值下的检测效果图。由于在自然环境下采集图片时的光照、天气等条件均不同，步骤（2）中四种相似度会对目标检测产生不同程度的影响。为了探究四种相似度的影响程度，本文在确定Scale=800，Sigma=0.8的前提下，以各种策略组合设置实验。在初始分割区域大小设为800、高斯核大小设为0.8的前提下，不同合并策略对药用植物目标检测的结果如图5所示。从折线图中可以看出，在“C+T+S+F”合并策略下，药用植物目标检测的平均检测得分最高。?
孟令涛等：基于选择性搜索的药用植物目标检测99《软件》杂志欢迎推荐投稿：cosoft@vip.163.com实验设置Scale值从100~1200递增，不同Scale值下药用植物的平均检测得分如图3所示。由图3可知，在高斯核大小Sigma取0.5、合并策略为C+T+S+F的情况下，当Scale值为100时，平均检测得分只有35.3，到800时达到最大值58，到1200时平均检测得分降到了46.4。可以看出，在初始值100的情况下，初始分割区域过于精细导致过度界定不同区域，使得目标区域内目标检测框数量过多且重合，而当Scale取值大于800后，算法无法准确界定目标所在区域，检测效果不理想。根据实验结果，初始分割区域参数Scale设为800。图3不同Scale值下算法平均检测得分对比图Fig.3ComparisonoftheaveragedetectionscoreofthealgorithmunderdifferentScalevalues按照同样的方法，设定高斯核Sigma（即标准差）从0.1增大到1.5。实验结果显示，算法的平均检测得分在Sigma取0.8时达到最大值70.3。当高斯核取值较小时，高斯滤波去噪效果不明显，图像噪点严重，导致目标分割区域过多，重叠严重；随着高斯核取值的增大，算法的平滑效果更明显，图像的颜色特征对区域分割的影响更大，因此检测效果也变得更好。图4展示了不同Sigma取值下的检测效果图。由于在自然环境下采集图片时的光照、天气等条件均不同，步骤（2）中四种相似度会对目标检测产生不同程度的影响。为了探究四种相似度的影响程度，本文在确定Scale=800，Sigma=0.8的前提下，以各种策略组合设置实验。在初始分割区域大小设为800、高斯核大小设为0.8的前提下，不同合并策略对药用植物目标检测的结果如图5所示。从折线图中可以看出，在“C+T+S+F”合并策略下，药用植物目标检测的平均检测得分最高。?
【参考文献】：
期刊论文
[1]基于选择性搜索和卷积神经网络的人脸检测[J]. 吴素雯,战荫伟. 计算机应用研究. 2017(09)
[2]选择性搜索和多深度学习模型融合的目标跟踪[J]. 钟必能,潘胜男. 华侨大学学报(自然科学版). 2016(02)
[3]中药连作障碍形成及其时空效应理论探讨[J]. 张琳,王晓,史国玉,周洁,耿岩玲,刘建华,刘伟. 现代中药研究与实践. 2014(05)
[4]车脸定位及识别方法研究[J]. 李全武,李玉惠,李勃,陈伊. 计算机科学与探索. 2015(06)
[5]基于叶片图像的植物识别方法[J]. 阚江明,王怡萱,杨晓微,冷萃. 科技导报. 2010(23)
[6]发展野生濒危药用动植物的家养家种是缓解供求矛盾和保护生态的有效途径[J]. 李焕普. 中国现代中药. 2008(07)
本文编号：3264280
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3264280.html
