[发明专利]一种基于改进YOLOv4的柑橘识别方法

说明书

本发明公开了一种基于改进YOLOv4的柑橘识别方法，该方法通过改进YOLOv4网络模型结构，添加了上采样模块和对小目标敏感的检测特征图，能更好的识别个体较小的柑橘，通过对训练得到的网络模型进行稀疏训练，通道剪枝和层剪枝，克服了添加模块带来的内存消耗大和识别时间久等缺陷，运用Canopy算法与k‑means++算法一起进行聚类，让用户得到更适合自己数据集的锚框参数值。进行柑橘识别时，采用改进的YOLOv4网络结构对柑橘数据集进行训练，得到的模型能够更精确的识别个体较小的目标；在网络模型训练前，通过层剪枝和通道剪枝结合，压缩模型的深度和宽度，在不损失精度的前提下，提高了训练速度；对不同时期的树上柑橘进行识别，识别精度高、速度快，能够满足实时识别的需要。

技术领域

本发明涉及图像识别技术领域，具体是一种基于改进YOLOv4的柑橘识别方法。

背景技术

柑橘是目前我国栽培面积最大、产量最高和消费量最大的水果。长久以来我国柑橘生产还主要依靠人力劳动，因此，计算机视觉识别系统的应用和开发具有十分重要的现实意义。此外，在农学科研中，不少研究者借助计算机视觉识别技术辅助进行果实的产量分析、采摘和病害防控。其中计算机视觉识别系统就是制约当前柑橘生产机械化和自动化技术应用的关键技术之一，在果园自然环境条件下精准快速识别柑橘是实现柑橘自动采摘、精准施药等应用的关键。

许多研究者围绕该问题开展了大量研究，提出了一些解决方法。例如，部分研究者提出基于区域特征的柑橘果实分割识别方法，通过彩色特征图像的颜色特征生成颜色特征向量，进行降维处理，然后通过双目摄像机确定果实的ROI大小，并对ROI进行分数排序，最后对最大分数的ROI作为分割识别区域。近年来，有研究者提出了基于卷积神经网络的果实识别方法，这些方法一般首先获取果实的RGB图片，并进行预处理和标注，构建数据集，设置好网络模型的参数后，将训练集放入卷积神经网络进行训练，最后就能得到果实识别模型。此外，也有人利用基于图像计算的方法，获取待测果实的初始轮廓图像，通过几何形态学方法对图像进行筛选，获取目标果实轮廓，再通过轮廓特征进行分割识别。

现有基于卷积神经网络的柑橘果实识别方法中，一个缺点是在识别柑橘果实时，过于注重对小目标的识别精度，没有考虑卷积神经网络的深度和检测速度；另一个不足是在优化网络结构时，往往降低了识别精度，缺少对指定目标的识别信息。

基于图像计算或区域分割方法识别柑橘的主要缺点是缺乏对复杂环境下，个体较小的柑橘的识别，仅能大致的将柑橘轮廓或者特性描述分割出来，而丢失了一些柑橘的细节，得不到较高的识别精度。

柑橘果实生长在柑橘树上，果实的个体、颜色、生长特性等特征随着生长周期的不同而表现出不同的差异，即使是同一种类的不同柑橘树，生长出的柑橘也不尽相同，不同品种的柑橘更是有不同的性状特征。此外，在柑橘的生长环境中，光照的强度，肥料的利用，病虫的防治等复杂环境中的因素都会影响柑橘的识别。因此，在识别柑橘果实时，考虑柑橘自身的因素和复杂环境的影响是十分必要的。

发明内容

本发明的目的在于克服现有技术的不足，而提供一种基于改进YOLOv4的柑橘识别方法，该方法对YOLOv4算法进行了进一步的改进，其思想是先把用户使用的数据集在卷积神经网络训练时锚框的参数分析出来，再用较深的卷积层结合上采样抽象个体较小的柑橘的特征，最后运用层剪枝和通道剪枝结合去掉卷积神经网络中没有用到的卷积层，达到在不丢失精度的同时提高训练和识别速度的目的，可以在复杂自然环境条件下对不同生长时期、不同遮挡程度的树上柑橘进行识别。

实现本发明目的的技术方案是：

一种基于改进YOLOv4的柑橘识别方法，包括如下步骤：

S1、图像的获取：用户采用数码相机或其他图像采集设备对结有果实的柑橘树进行图像采集，并将采集到的图像按照Pascal VOC数据集的格式将图片命名，同时创建名为Annotations、ImageSets、JPEGImages的三个文件夹；

S2、图像预处理：