[发明专利]一种基于深度学习的采茶机茶叶芽尖检测方法

说明书

本发明公开了一种基于深度学习的采茶机茶叶芽尖检测方法，通过使用分段式采茶机构进行茶叶芽尖图像采集，对采集到图像进行数据集增强、标注、划分等操作后，放入YOLOv4模型中引入深度可分离卷积与自适应对比度加强处理进行模型优化，使用CIOU损失函数评估，最后使用HSV图像分割与凸包检测获得采摘点坐标。本发明的茶叶芽尖检测方法能高效准确的识别茶叶芽尖位置，实现名优茶高质量采摘。

技术领域

本发明涉及采茶机机器人技术领域，具体为一种基于深度学习的采茶机茶叶芽尖检测方法。

背景技术

目前主要的采茶机类型有手动跨脊采茶机和手持式采茶机，但都无法区分茶叶的新芽和老叶，造成芽叶破损率高，达不到名茶采摘标准。因此，茶园仍选择依靠人工采摘名优茶。但随着采茶劳动力的日益紧缺，采茶机荒现象日趋严重，制约着采茶产业的发展。高效优质采茶机的研发是必要且有意义的。

近年来，随着人工智能体系技术越来越成熟，深度学习的应用也不断增加，智能采摘在农业水果采摘等领域已有应用，但在茶叶检测中，检测目标嫩芽体积小，夹杂在叶片中，不易检测。

发明内容

为解决背景技术中提到的智能采摘过程中容易漏检嫩芽的技术问题，本发明提出一种基于深度学习的采茶机茶叶芽尖检测方法，使用分段式采集图像方法，并结合深度学习进行芽尖检测，能更加精准高效地识别检测出芽尖的位置并配合采茶机进行采摘，能大大提高名优茶的采摘效率，缓解采茶人工成本的压力。

本发明采取如下的技术方案：

基于深度学习的采茶机茶叶芽尖检测方法，包括如下步骤：

步骤1：使用分段采茶机构进行茶叶图像采集；

步骤2：对步骤1采集到图像进行数据集增强操作，扩大数据集数量，人为对扩大后数据集中的每个图像的芽尖位置进行标注，并对标注后的数据集进行划分，划分为训练集与测试集；

步骤3：将步骤2中的训练集放入改进的YOLOv4网络进行训练；

步骤4：利用步骤3中训练好的模型对步骤2中测试集进行预测，获得芽尖的预测框；

步骤5：对步骤4得到的预测框中的嫩芽，进行图像分割与凸包检测获得采摘点坐标；

进一步的，所述步骤1具体包括：利用分段式采茶机构将茶叶进行分段处理，并采用分辨率为1920×1080的工业相机进行图像拍摄采集。

进一步的，所述步骤2具体包括：对采集到的图像进行-20度到20度的随机图像旋转，将数据集图像数量扩大，将数据集按照9：1的比例划分为训练集与测试集。

进一步的，所述步骤3具体包括：将训练集尺寸设为416×416，输入改进的YOLOv4网络进行模型训练，得到训练好的模型，使用CIOU损失函数评估模型效果。

进一步的，所述步骤4具体包括：输入测试集中的图像进入训练好的模型，模型读取图像后对读取图像进行自适应对比度加强处理，然后进行茶叶芽尖检测，获得茶叶芽尖的预测框。

进一步的，所述步骤5具体包括：将上述预测框裁剪，得到只有嫩芽的目标区域图像，将上述目标区域图像进行HSV图像分割得到二值化图像，对二值化图像进行凸包检测得到轮廓与图像边框交线，计算出采摘点坐标。

本发明的有益效果在于：

本发明所述检测方法能高效准确的识别茶叶芽尖位置，实现名优茶高质量采摘。

附图说明

图1为本发明的流程图；

图2为分段式采茶机构示意图；

图3为改进的YOLOv4网络结构示意图；

图4为茶叶图像的损失函数曲线图；