排序方式： 共有2条查询结果，搜索用时 46 毫秒
1
1.
在基于叶片图像进行植物识别和生长状态监控时,植物目标叶片的准确分割和识别是前提和基础,但复杂背景给叶片的分割和识别带来了极大的挑战。本研究提出基于Mask-RCNN深度学习网络分割和识别复杂背景下多目标叶片的算法,共拍摄自然生长状态下常见的植物叶片图像7 357张,标注3 000张作为训练数据库,这3 000张图像共包含4种植物,分别为孔雀竹芋(Calathea makoyana)、珊瑚树(Viburnum odoratissinum)、洋常春藤(Hedera helix L.)和黄花羊蹄甲(Bauhinia tomentosa)。选择这4种植物的80个测试样本图像进行分割、识别与错分率分析。结果表明:Mask-RCNN深度学习网络对这4种植物的识别效果良好,未出现误识别的情况;分割的平均图像错分率为0.93%,最大值不超过2.49%,即分割准确率达97.51%;同时该算法具有强大的迁移能力。 相似文献
2.
【目的】提出一种复杂背景下重叠椭圆形叶片的分割算法。【方法】利用超绿算法将重叠叶片主
体及部分绿色背景分割出来;通过选择最大连通区域选择重叠叶片的主体,去除叶柄后利用凹点检测和凸点检
测获得叶片重合部位的凹点和叶片的尖端点;利用获得的凹点与尖端点,截取上层叶片未重叠区域的部分边缘
点并以上层叶片的两个尖端点所确定的直线作为对称轴将其翻转至重叠区域作为贪婪算法的初始点寻找重叠区
域的边缘;对获得的边缘进行平滑和凸包处理,即可获得目标叶片的边缘,从而较为正确地分割出上层叶片。
对于重叠的下层叶片,则以整个重叠叶片减去分割出的上层叶片,即可得到下层叶片未被覆盖的区域;将下层
叶片完整的一半以其尖端点形成的直线为对称轴进行翻转,即可得到下层叶片的补全图。【结果】该算法可以
实现复杂背景椭圆形重叠叶片的分割,且平均错分率在 3.0% 以下。【结论】针对复杂背景下椭圆形重叠叶片的
分割,提出结合凸点检测和凹点检测的贪婪算法可以较为准确地分割目标叶片,平均错分率在 3% 以下,即分
割准确率在 97% 以上。 相似文献
1