[发明专利]一种基于深度学习后优化的葡萄果梗精准识别方法

说明书

本发明提供了一种基于深度学习后优化的葡萄果梗精准识别方法，其包括：1，采集并标注葡萄果梗图片；2，通过深度学习模型Mask R‑CNN对标注后的葡萄果梗图片进行识别，获取预识别葡萄果梗区域；3，根据预识别葡萄果梗区域，获取葡萄果梗轮廓坐标以及葡萄果梗区域坐标；4，获取葡萄果梗轮廓的H、S、V通道值以及葡萄果梗区域的H、S、V通道值；5，分别计算葡萄果梗区域的H通道平均值、S通道平均值以及V通道平均值；6，将葡萄果梗轮廓选取为种子点，基于种子点并按照区域生长准则进行区域生长。本发明可以实现在自然环境下对葡萄果梗的识别，解决自然果园场景下葡萄果梗因为光线变化、遮挡导致的难识别的问题。

技术领域

本发明涉及水果采摘技术领域，具体而言，涉及一种基于深度学习后优化的葡萄果梗精准识别方法。

背景技术

葡萄具有极高的营养、经济价值，其不仅富含人类必须的氨基酸和维生素，而且在酿酒领域远近闻名。随着科技的进步，人力成本的提升，未来采摘机器人智能化采摘葡萄是必不可少的。采摘机器人进行采摘的方式主要有二：1.拉拽式，此方法适用于果梗拽落不会对其本身有影响的水果，如苹果或者猕猴桃等；2.握切式，此方法适用于果实皮软、具有粗壮果梗且果梗拽落会影响新鲜度的水果，如葡萄等。因此葡萄采摘机器人在采摘时须识别葡萄果梗，并切割葡萄果梗。

传统葡萄采摘机器人依靠颜色阈值分割来识别葡萄果梗，即通过设定一个颜色阈值，把满足此颜色阈值的区域设定为果梗区域，然后再对葡萄果梗进行切割。由于采摘机器人在自然环境下工作时，视觉系统首先会获取一片范围的图像，并对此范围的图像进行识别，而该范围内的视觉系统受光照，遮挡等现实因素影响，可能导致满足此颜色阈值的范围变大，因此这种通过设定颜色阈值并依靠颜色阈值分割识别葡萄果梗的方法，并不适用于复杂的自然环境，只适用于特定小场景。

发明内容

为了克服传统葡萄采摘机器人依靠颜色阈值分割来识别葡萄果梗，并不适用于复杂的自然环境的问题，本发明提供了一种基于深度学习后优化的葡萄果梗精准识别方法，其具体技术方案如下：

一种基于深度学习后优化的葡萄果梗精准识别方法，其包括如下步骤：

步骤1，采集葡萄果梗图片，并对葡萄果梗图片进行标注；

步骤2，通过深度学习模型Mask R-CNN对标注后的葡萄果梗图片进行识别，获取预识别葡萄果梗区域；

步骤3，根据预识别葡萄果梗区域，获取葡萄果梗轮廓坐标以及葡萄果梗区域坐标；

步骤4，根据葡萄果梗轮廓坐标获取葡萄果梗轮廓的H通道值{D_j(0＜j＜n)}、S通道值{E_j(0＜j＜n)}和V通道值{F_j(0＜j＜n)}，以及根据葡萄果梗区域坐标获取葡萄果梗区域的H通道值{A_i(0＜i＜n)}、S通道值{B_i(0＜i＜n)}和V通道值{C_i(0＜i＜n)}，其中n为大于1的整数；

步骤5，分别计算葡萄果梗区域的H通道平均值a＝{A_i(0＜i＜n)}/n、S通道平均值b＝{B_i(0＜i＜n)}/n以及V通道平均值c＝{C_i(0＜i＜n)}/n；

步骤6，将葡萄果梗轮廓选取为种子点，基于种子点并按照区域生长准则进行区域生长。