[发明专利]基于YOLO的柑橘青果实时识别方法

说明书

本发明公开了一种基基于YOLO的柑橘青果实时识别方法，该方法包括：采集柑橘果实图像并进行预处理，构建训练集；基于YOLOv5模型，增加检测层，得到改进后的检测网络；基于训练集对改进后的检测网络进行训练，结合改进的损失函数，得到目标检测模型；获取待测数据并基于目标检测模型进行产量监测。通过使用本发明，能够实现柑橘青果实时智能识别与产量监测。本发明作为一种基于YOLO的柑橘青果实时识别方法，可广泛应用于产量监测领域。

技术领域

本发明涉及产量监测领域，尤其涉及基于YOLO的柑橘青果实时识别方法。

背景技术

在最近几年的人工智能的工作中，深度学习与卷积神经网络的发展带给目标检测方向质的飞跃，提供了良好的效果。然而，当前基于深度学习的目标检测大多都停留在服务器端对单张静止的图片进行检测，对于柑橘测产这些需要有实地检测的作业来说，无法满足实时性条件，运用到实际场景中还有些困难。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于YOLO的柑橘青果实时识别方法，能够实现柑橘青果实时智能识别与产量监测。

本发明所采用的第一技术方案是：一种基于YOLO的柑橘青果实时识别方法，包括以下步骤：

采集柑橘果实图像并进行预处理，构建训练集；

基于YOLOv5模型，增加检测层，得到改进后的检测网络；

基于训练集对改进后的检测网络进行训练，结合改进的损失函数，得到目标检测模型；

获取待测数据并基于目标检测模型进行产量监测。

进一步，所述采集柑橘果实图像并进行预处理，构建训练集这一步骤，其具体包括：

在自然场景下对柑橘果园进行多角度拍摄，采集图像，得到原始柑橘果实图像；

对原始柑橘果实图像进行数据清洗和数据增强，得到增强后图像；

对原始柑橘果实图像和增强后图像进行标注处理，得到标注信息；

根据原始柑橘果实图像、增强后图像和标注信息构建训练集。

进一步，所述数据增强包括垂直镜像，水平镜像、位移、模糊、旋转270°和椒盐噪声增强的增强方式。

进一步，所述基于YOLOv5模型，增加检测层，得到改进后的检测网络这一步骤，其具体包括：

在YOLOv5基础模型上增加检测层，得到轻量化目标检测模型；

基于余弦退火算法，改变量化目标检测模型的学习率，得到改进后的检测网络。

进一步，所述改进后的检测网络的损失函数公式表示如下：

上式中，IoU表示评价模型的预测框B与真实框B^gt之间的距离，B表示预测框，B^gt表示真实框，C表示B与B^gt最小框的对角线的长度，ρ表示B与B^gt之间的欧式距离，C表示B与B^gt最小框的对角线的长度，αv表示影响因子。

进一步，所述基于训练集对改进后的检测网络进行训练，结合改进的损失函数，得到目标检测模型这一步骤，其具体包括：

将训练集输入至改进后的检测网络；

基于输入层对训练集中的图像进行数据增强和尺寸调整，得到输入图像；

基于骨干网络对输入图像进行切片和池化操作，得到特征向量；