Matlab Kaskada pociągu dla pszczół zliczających

Question

Jestem studentem agronomii i przedmiotem mojego ostatniego roku studiów jest ocena liczby pszczół na zdjęciach. Próbowałem niektóre metody (thresolding, dopasowanie szablonu z algorytmem ciratefi lub imageJ), ale żaden nie działa dobrze.

Jestem początkujący z Matlaba i zastanawiam się, czy można wyszkolić detektor kaskadowy i użyć fonction vision.CascadeObjectDetector do liczenia pszczół na zdjęciach.

dwa zdjęcia przykładów:
http://img4.hostingpics.net/pics/473650DSC0648.jpg i
http://img4.hostingpics.net/pics/978154DSC0660.jpg

Ile próbek dodatnich i ujemnych muszę używać? HOG? Haar? LBP?

Dziękuję za pomoc

Answer 1

To może działać, ale będzie trudne. Z dostarczonych obrazów myślę, że masz dużą szansę na wykrycie izolowanych pszczół, ale trudno będzie wykryć te, które są razem. W tym drugim przypadku trudno jest dostrzec zarys kształtu każdej pszczoły, a niektóre pszczoły zatykają inne pszczoły. Ale nie dowiesz się, dopóki nie spróbujesz. :)

Należy również pamiętać, że wykrywacz obiektów kaskadowych nie obsługuje rotacji w płaszczyźnie. Oznacza to, że musisz wytrenować kilka detektorów dla różnych orientacji pszczół. Możesz użyć funkcji trainCascadeObjectDetector do szkolenia wykrywaczy.

Potrzebujesz co najmniej kilkuset pozytywnych próbek z każdej orientacji. Możesz użyć aplikacji Training Image Labeler, która jest dostarczana z najnowszą wersją zestawu Computer Vision System Toolbox do oznaczania pszczół w obrazach.

Potrzebowałbyś również wielu zdjęć plastra miodu bez pszczół, które mogłyby posłużyć jako negatywne obrazy.

Jeśli chodzi o funkcje, zacznę od HOG lub LBP, ponieważ są one znacznie szybsze niż Haar. Jeśli uzyskasz zachęcające wyniki, możesz wypróbować Haar, aby sprawdzić, czy możesz poprawić swoją dokładność.

Answer 2

Jeśli potrafisz robić zdjęcia uli bez pszczół, w tych samych warunkach oświetleniowych, byłoby wspaniale! spróbuj, a następnie odejmij dwa obrazy (piksel po pikselu) i zobacz, co otrzymasz. Ten obraz różnicowy byłby o wiele łatwiejszy w obsłudze.

Ponadto, w odniesieniu do szkolenia klasyfikatora: od oglądania obrazów potrzebny jest klasyfikator "rotacyjny niezmienny". Jest to fantazyjny sposób powiedzenia, że ​​pszczoły mogą być pod różnymi kątami. Więc zasadniczo wziąłbyś kilkadziesiąt obrazów pszczół i obracaj je dowolnie. To dałoby kilkaset pozytywnych przykładów. Potem próbkuj miejsc bez pszczół, chyba też kilkadziesiąt. Nie obracaj ich, ponieważ miejsca bez pszczół nie są rotacyjne w niezmienności. Teraz trenuj klasyfikator. Nie sądzę, żeby to miało znaczenie, z którego korzystasz - po prostu użyj najprostszego (jak Viola-Jones).

Podsumowując: istnieją dwie główne części: 1) sprawdzanie, czy można odjąć tło 2) szkolenie swojego klasyfikatora.

Proszę mi powiedzieć, czy to pomaga!