[发明专利]一种基于深度卷积神经网络模型的粘连柑橘的定位方法

说明书

本申请揭示了基于深度卷积神经网络模型的粘连柑橘的定位方法，包括：得到第一可见光图像；进行人工标定，以得到第一训练图像，进行训练，以得到第一柑橘定位模型；进行第一摘取并移动处理，使得粘连的柑橘为第一占比数值；得到第二可见光图像；进行人工标定，以得到第二训练图像，进行训练，得到第二柑橘定位模型；进行第i摘取并移动处理，使得粘连的柑橘为第i占比数值；得到第i+1可见光图像；进行人工标定，以得到第i+1训练图像，进行训练，以得到第i+1柑橘定位模型；得到待定位的可见光图像，得到初步柑橘定位结果；获取粘连的柑橘占比值；若粘连的柑橘占比值大于占比阈值，则记为最终柑橘定位结果，从而实现了粘连柑橘的准确定位。

技术领域

本申请涉及到一种基于深度卷积神经网络模型的粘连柑橘的定位方法、装置、计算机设备和存储介质。

背景技术

成熟柑橘的自动化智能精准采摘技术，是农业自动化的重要组成部分。自动化智能精准采摘技术中涉及柑橘果实的定位技术，其需要在不同的野外果树环境下实施，例如在非结构化特征显著的野外果树环境下实施，随机空间位置上果实聚簇生长引发的多果粘连遮挡，使得柑橘的识别与定位受到影响，并且粘连柑橘由于野外果树环境下多变的光照条件，更进一步影响粘连柑橘图像的质量，进而影响定位准确性。而传统的柑橘定位方案，例如试图通过人为补光的方式提供额外光源来处理，但仍未能解决粘连柑橘难以定位的问题。因此，现有技术缺少对粘连柑橘进行准确定位的方案。

发明内容

本申请提出一种基于深度卷积神经网络模型的粘连柑橘的定位方法，包括以下步骤：

S1、采用CCD相机对样本柑橘树进行第一次图像采集，得到第一可见光图像；其中样本柑橘树上没有粘连的柑橘；

S2、对所述第一可见光图像中的柑橘位置进行人工标定，以得到第一训练图像，将所述第一训练图像输入预设的深度卷积神经网络模型中进行训练，以得到第一柑橘定位模型；

S3、对样本柑橘树上的柑橘进行第一摘取并移动处理，使得样本柑橘树中的柑橘位置发生变化，致使样本柑橘树上存在粘连的柑橘，并且粘连的柑橘数量在样本柑橘树上的所有柑橘数量的占比为第一占比数值；其中，在进行第一摘取并移动处理之后，样本柑橘树上的柑橘总数不变；所述第一占比数值大于0且小于1；

S4、采用CCD相机对进行第一摘取并移动处理之后的样本柑橘树进行第二次图像采集，得到第二可见光图像；其中，所述第二次图像采集时的拍摄参数与所述第一次图像采集时的拍摄参数相同；

S5、对所述第二可见光图像中的柑橘位置进行人工标定，以得到第二训练图像，将所述第二训练图像输入所述第一训练图像中进行训练，以得到第二柑橘定位模型；

S6、对样本柑橘树上的柑橘进行第i摘取并移动处理，使得样本柑橘树中的柑橘位置发生变化，致使样本柑橘树上存在粘连的柑橘，并且粘连的柑橘数量在样本柑橘树上的所有柑橘数量的占比为第i占比数值；其中，在进行第i摘取并移动处理之后，样本柑橘树上的柑橘总数不变，而所述第i占比数值大于第i-1占比数值；i为大于等于2且小于等于n的整数，n为预设的大于等于3的整数；所述第i占比数值大于0且小于1；

S7、采用CCD相机对进行第i摘取并移动处理之后的样本柑橘树进行第i+1次图像采集，得到第i+1可见光图像；其中，所述第i+1次图像采集时的拍摄参数与第i次图像采集时的拍摄参数相同；

S8、对所述第i+1可见光图像中的柑橘位置进行人工标定，以得到第i+1训练图像，将所述第i+1训练图像输入第i训练图像中进行训练，以得到第i+1柑橘定位模型；

S9、采用CCD相机对目标柑橘树进行图像采集，得到待定位的可见光图像，将所述待定位的可见光图像输入所述第i柑橘定位模型中进行处理，以得到所述第i柑橘定位模型输出的初步柑橘定位结果；