基于Mask-RCNN的复杂背景下多目标叶片的分割和识别

摘要：

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7357张,标注3000张作为训练数据库,这3000张图像共包含4种植物,分别为孔雀竹芋(Calathea makoyana)、珊瑚树(Viburnum odora-tissinum)、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.

关键词：叶片识别、Mask-RCNN、错分率、准确率

所属期刊栏目：32

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;广东省自然科学基金

在线出版日期：2020-12-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：2059-2066