[发明专利]一种基于Des-YOLOv4算法的苹果检测方法和装置

说明书

本申请公开了一种基于Des‑YOLOv4算法的苹果检测方法和装置，所述方法包括：获取目标图像数据集，所述目标图像数据集包括多张包含苹果的图像；对所述目标图像数据集进行预处理；构建Des‑YOLOv4模型；模型的训练过程包括获取模型的最优权重；获取待检测图像；获取待检测图像的置信度信息；判断所述待检测图像是否包含苹果；若所述待检测图像包含苹果，获取所述待检测图像中苹果的位置信息。本申请在减少网络参数计算的同时，提高算法的检测速度；本申请使用AP‑Loss类别损失函数，使得苹果识别的准确性得到改善；本申请构建的模型基于大量图像数据进行训练，模型识别的效率高，苹果检测准确率高。

技术领域

本申请涉及苹果检测技术领域，尤其是一种基于Des-YOLOv4算法的苹果检测方法和装置。

背景技术

中国是全球最大的苹果生产国和消费国。苹果在成熟期内需要密集采摘，而采摘作业是苹果种植生产中最耗时、费力的环节之一。近年来，基于机器视觉的采摘机器人成为国内外农业工程的研究热点，旨在通过智能机器人技术实现自动采摘水果。采摘机器人是一个集环境感知、运动规划和伺服控制于一体的综合系统。其中，环境感知是自动采摘的重要基础和前提。苹果图像的检测可以为采摘机器人控制系统提供采摘目标信息。因此，如何提高苹果图像检测的准确率和效率成为当前研究的重点。

随着卷积神经网络不断改进，卷积网络也经常被应用在目标检测领域。目前使用的卷积网络分为两种，第一种卷积神经网络生成一系列目标候选框，然后通过卷积神经网络对样本进行分类，代表性算法是R-CNN、Fast R-CNN和Faster R-CNN。但是这种方法识别速度较慢，难以满足实时检测场景需求。另一种卷积神经网络直接将目标边界定位问题转化为回归问题，因此不需要生成候选框。典型的算法包括SSD(Single Shot MultiBoxDetector)、YOLO(You Only Look Once)，但是这种方法的网络结构复杂，计算周期较长，会降低机器人的采摘效率。

发明内容

为了解决现有技术中采用机器人采摘苹果时，使用的苹果检测方法检测效率低的问题，本申请公开了一种基于Des-YOLOv4算法的苹果检测方法和装置。

本申请第一方面公开了一种基于Des-YOLOv4算法的苹果检测方法，包括：

获取目标图像数据集，所述目标图像数据集包括多张包含苹果的图像；

对所述目标图像数据集进行预处理；

基于Des-YOLOv4算法，构建Des-YOLOv4模型；所述Des-YOLOv4模型所使用的训练集包括所述目标图像数据集中70％的图像；所述Des-YOLOv4模型的训练过程包括获取所述Des-YOLOv4模型的最优权重；

获取待检测图像，所述待检测为实时拍摄图像；

根据所述Des-YOLOv4模型，获取所述待检测图像的置信度信息；

判断所述待检测图像是否包含苹果；

若所述待检测图像包含苹果，获取所述待检测图像中苹果的位置信息。

可选的，所述预处理包括：

对图像进行水平旋转、垂直旋转以及固定角度旋转；

调整图像饱和度和色调；

根据直方图均衡化以及中值滤波方法，增强图像对比度；

随机剪裁四张图像，拼接成一张图像。

可选的，获取所述Des-YOLOv4模型的最优权重，根据以下公式获取：