基于YOLO的柑橘青果实时识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115205676A(43)申请公布日2022.10.18(21)申请号202210787701.9G06V20/52(2022.01)(22)申请日2022.07.04G06V10/82(2022.01)G06V10/774(2022.01)(71)申请人华南农业大学G06N3/04(2006.01)地址510630广东省广州市天河区五山路G06N3/08(2006.01)483号华南农业大学申请人人工智能与数字经济广东省实验室（广州）(72)发明人吕石磊李锐尧李震薛秀云洪添胜姜晟赵娅雯(74)专利代理机构深圳市创富知识产权代理有限公司44367专利代理师梁嘉朗(51)Int.Cl.G06V20/10(2022.01)G06V20/40(2022.01)权利要求书2页说明书6页附图2页(54)发明名称基于YOLO的柑橘青果实时识别方法(57)摘要本发明公开了一种基基于YOLO的柑橘青果实时识别方法，该方法包括：采集柑橘果实图像并进行预处理，构建训练集；基于YOLOv5模型，增加检测层，得到改进后的检测网络；基于训练集对改进后的检测网络进行训练，结合改进的损失函数，得到目标检测模型；获取待测数据并基于目标检测模型进行产量监测。通过使用本发明，能够实现柑橘青果实时智能识别与产量监测。本发明作为一种基于YOLO的柑橘青果实时识别方法，可广泛应用于产量监测领域。CN115205676ACN115205676A权利要求书1/2页1.基于YOLO的柑橘青果实时识别方法，其特征在于，包括以下步骤：采集柑橘果实图像并进行预处理，构建训练集；基于YOLOv5模型，增加检测层，得到改进后的检测网络；基于训练集对改进后的检测网络进行训练，结合改进的损失函数，得到目标检测模型；获取待测数据并基于目标检测模型进行产量监测。2.根据权利要求1所述的基于YOLO的柑橘青果实时识别方法，其特征在于，所述采集柑橘果实图像并进行预处理，构建训练集这一步骤，其具体包括：在自然场景下对柑橘果园进行多角度拍摄，采集图像，得到原始柑橘果实图像；对原始柑橘果实图像进行数据清洗和数据增强，得到增强后图像；对原始柑橘果实图像和增强后图像进行标注处理，得到标注信息；根据原始柑橘果实图像、增强后图像和标注信息构建训练集。3.根据权利要求2所述的基于YOLO的柑橘青果实时识别方法，其特征在于，所述数据增强包括垂直镜像，水平镜像、位移、模糊、旋转270°和椒盐噪声增强的增强方式。4.根据权利要求1所述的基于YOLO的柑橘青果实时识别方法，其特征在于，所述基于YOLOv5模型，增加检测层，得到改进后的检测网络这一步骤，其具体包括：在YOLOv5基础模型上增加检测层，得到轻量化目标检测模型；基于余弦退火算法，改变量化目标检测模型的学习率，得到改进后的检测网络。5.根据权利要求4所述的基于YOLO的柑橘青果实时识别方法，其特征在于，所述改进后的检测网络的损失函数公式表示如下：上式中，IoU表示评价模型的预测框B与真实框Bgt之间的距离，B表示预测框，Bgt表示真实框，C表示B与Bgt最小框的对角线的长度，ρ表示B与Bgt之间的欧式距离，C表示B与Bgt最小框的对角线的长度，α和v均表示影响因子。6.根据权利要求2所述的基于YOLO的柑橘青果实时识别方法，其特征在于，所述基于训练集对改进后的检测网络进行训练，结合改进的损失函数，得到目标检测模型这一步骤，其具体包括：将训练集输入至改进后的检测网络；基于输入层对训练集中的图像进行数据增强和尺寸调整，得到输入图像；基于骨干网络对输入图像进行切片和池化操作，得到特征向量；基于颈部网络，根据特征向量构建特征金字塔进行识别，得到目标框；基于输出检测层对目标框进行筛选，输出预测框；基于损失函数，根据预测框和标注信息调整参数，得到目标检测模型。7.根据权利要求1所述的基于YOLO的柑橘青果实时识别方法，其特征在于，所述获取待测数据并基于目标检测模型进行产量监测这一步骤，其具体包括：2CN115205676A权利要求书2/2页获取待测视频数据并在视频中设置虚拟区域；根据虚拟区域对场景进行分割并对柑橘果实预测框的中心点进行检测，得到检测结果；判断到检测结果预测框的中心点经过虚拟区域，对柑橘数量进行统计，完成产量监测。3CN115205676A说明书1/6页基于YOLO的柑橘青果实时识别方法技术领域[0001]本发明涉及产量监测领域，尤其涉及基于YOLO的柑橘青果实时识别方法。背景技术[0002]在最近几年的人工智能的工作中，深度学习与卷积神经网络的发展带给目标检测方向质的飞跃，提供了良好的效果。然而，当前基于深度学习的目标检测大多都停留在服务器端对单张静止的图片进行检测，对于柑橘测产这些需要有实