基于YOLO的柑橘花朵花苞识别方法及轻量级计算系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115035280A(43)申请公布日2022.09.09(21)申请号202210509461.6G06N3/04(2006.01)(22)申请日2022.05.10G06V10/774(2022.01)G06T3/00(2006.01)(71)申请人华南农业大学G06T3/40(2006.01)地址510630广东省广州市天河区五山路G06T3/60(2006.01)483号华南农业大学G06V10/80(2022.01)申请人人工智能与数字经济广东省实验室G06V10/82(2022.01)（广州）(72)发明人吕石磊赵娅雯李震薛秀云洪添胜姜晟李锐尧(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.G06V10/10(2022.01)G06V10/764(2022.01)权利要求书2页说明书5页附图3页(54)发明名称基于YOLO的柑橘花朵花苞识别方法及轻量级计算系统(57)摘要本发明公开了一种基于YOLO的柑橘花朵花苞识别方法及轻量级计算系统，该方法包括：对柑橘花图像数据进行图像标注和增强处理，并构建得到训练集；引入级联融合模块，基于YOLOv4‑CF神经网络结构框架构建识别模型；基于训练集训练识别模型，得到训练完成的识别模型；实时采集柑橘花图片并输入至训练完成的识别模型，输出识别结果。该系统存储有如上所述基于YOLO的柑橘花朵花苞识别方法。通过使用本发明，能够实时对柑橘花进行精确识别。本发明作为一种基于YOLO的柑橘花朵花苞识别方法及轻量级计算系统，可广泛应用于检测识别领域。CN115035280ACN115035280A权利要求书1/2页1.基于YOLO的柑橘花朵花苞识别方法，其特征在于，包括以下步骤：对柑橘花图像数据进行图像标注和增强处理，并构建得到训练集；引入级联融合模块，基于YOLOv4‑CF神经网络结构框架构建识别模型；基于训练集训练识别模型，得到训练完成的识别模型；实时采集柑橘花图片并输入至训练完成的识别模型，输出识别结果。2.根据权利要求1所述基于YOLO的柑橘花朵花苞识别方法，其特征在于，所述对柑橘花图像数据进行图像标注和增强处理，并构建得到训练集这一步骤，其具体包括：基于采集设备获取柑橘花图像，得到柑橘花图像数据；基于labelImg对柑橘花图像数据进行标注，得到带标注图像数据；对带标注图像进行翻转、高斯模糊、色域变换、缩放尺寸并拼接的增强处理，得到增强后的数据集；将增强后的数据集按照预设比例划分，得到训练集和测试集。3.根据权利要求2所述基于YOLO的柑橘花朵花苞识别方法，其特征在于，所述引入级联融合模块，基于YOLOv4‑CF神经网络结构框架构建识别模型这一步骤，其具体包括：引入级联融合模块，将YOLOv4‑CF神经网络结构框架中的CSPBlock进行替换并剪枝，得到识别模型；所述识别模型包括输入层、CBL模块、级联融合模块、特征金字塔和检测头。4.根据权利要求3所述基于YOLO的柑橘花朵花苞识别方法，其特征在于，所述基于训练集训练识别模型，得到训练完成的识别模型这一步骤，其具体包括：以训练集中的带标注图像数据为输入，真实标签为输出，训练识别模型；基于测试集对识别模型进行验证，判断到识别结果准确率大于预设阈值，得到训练完成的识别模型。5.根据权利要求4所述基于YOLO的柑橘花朵花苞识别方法，其特征在于，所述实时采集柑橘花图片并输入至训练完成的识别模型，输出识别结果这一步骤，其具体包括：实时采集柑橘花图片并输入至训练完成的识别模型的输入层；基于CBL模块，根据预设维度对输入层的数据进行处理，提取不同层次的语义信息；基于多尺度特征融合模块对不同层次的语义信息进行融合，分离上下文特征信息，得到输出特征图；基于特征金字塔对输出特征图进行融合，得到融合特征；基于检测头对融合特征进行处理，输出识别结果。6.根据权利要求5所述基于YOLO的柑橘花朵花苞识别方法，其特征在于，所述基于多尺度特征融合模块对不同层次的语义信息进行融合，分离上下文特征信息，得到输出特征图这一步骤，其具体包括：根据不同层次的语义信息进行特征图提取，得到不同尺度的特征图；基于多尺度特征融合层，将不同尺度的特征图采样至同样大小并进行融合，得到初步特征；基于通道混洗，将初步特征图分组并组合得到初步特征矩阵，将初步特征矩阵进行逆转置并分组，得到输出特征图。7.一种轻量级计算系统，其特征在于，存储有如权利要求6所述基于YOLO的柑橘花朵花2CN115035280A权利要求书2/2页苞识别方法：Ultra96‑V2开发平台，包括ARM处理子系统和可编程逻辑部分；所述ARM处理子系统用于对图像数据进行处理；所述可编程逻辑部分用于对识别模型进