[发明专利]一种枇杷果实识别方法

说明书

本发明公开了一种一种枇杷果实识别方法，包括：获取检测图像；基于目标检测模型对检测图像进行检测，以确定所述检测图像中的枇杷果实；其中，所述目标检测模型是利用通过果实检测数据库与样本图像对十四层卷积神经网络进行训练得到。通过使用该方法，可以有效提高果实检测算法的速度与精度，可适用于多种枇杷果实识别检测系统中，实时对枇杷果实进行识别检测。

技术领域

本发明涉及一种果实识别方法，尤其涉及一种枇杷果实识别方法。

背景技术

随着全球信息化的迅猛发展，数字农业已经发展成为现代农业的新潮流。快速准确地获取农作物生长形态图像信息已成为农业数字化和智慧化管理的必然趋势和手段。基于计算机视觉的目标检测技术也已在农业水果采摘中得到了实际应用。这些研究成果，显著提高了水果监测采摘效率和安全性。然而，传统的果实检测算法存在准确率不高，鲁棒性不强等问题

发明内容

本发明目的是提供一种枇杷果实识别方法，通过使用该方法，可以有效提高果实检测算法的速度与精度，可适用于多种枇杷果实识别检测系统中，实时对枇杷果实进行识别检测。

为达到上述目的，本发明采用的技术方案是：一种枇杷果实识别方法：包括：获取检测图像；基于目标检测模型对检测图像进行检测，以确定所述检测图像中的枇杷果实；其中，所述目标检测模型是利用通过果实检测数据库与样本图像对十四层卷积神经网络进行训练得到。

上述技术方案中，所述目标检测模型是通过如下步骤构建的：

获取样本图像；

对样本图像扩充数据集；

对数据集标注，得训练样本集；

对样本图像进行缩放，得子图像；

构建十四层卷积神经网络模型M；

对十四层卷积神经网络模型M进行预训练，得预检测模型，其中，预训练的范围为通用果实检测数据库；

在预训练后对预检测模型进行二次训练，得目标检测模型，其中，二次训练的范围为训练样本集；

对子图像处理得目标框；

利用目标框对目标检测模型进行测试。

上述技术方案中，所述十四层卷积神经网络模型M包括：若干层卷积层与若干层最大值池化层。

上述技术方案中，所述预训练为采用迁移学习方法利用通用果实检测数据库对十四层卷积神经网络模型M进行预训练。

上述技术方案中，所述二次训练为采用交叉训练利用训练样本集对预检测模型中十到十四层卷积神经网络模型进行二次训练。

上述技术方案中，在步骤“对样本图像扩充数据集”中采用经典数据增强方法。

上述技术方案中，在步骤“对数据集标注”包括在子图像中标记矩形框，对所述矩形框内包含的果实标注大小和位置坐标，且对标注的果实分类标记。

上述技术方案中，对子图像处理得目标框的过程包括：

对子图像均分为若干个预测框；

对每一预测框内预测若干个目标框。

上述技术方案中，所述子图像大小为832*832像素，对所述子图像均分为一百六十九个预测框，每一所述预测框为13*13矩阵，每一所述预测框内预测五个尺寸大小不同的目标框。

上述技术方案中，检测图像与样本图像的获取通过手机、无人机、摄像机拍摄获得。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：