[发明专利]一种基于卷积神经网络的茶树嫩芽识别方法

权利要求书

1.一种基于卷积神经网络的茶树嫩芽识别方法，其特征在于：所述方法包括下列顺序的步骤：

步骤1、使用图像采集设备进行目标茶树图像的连续采集；

步骤2、对采集的茶树图像进行预处理得到待处理茶树图像，目的是为了消除信号噪声和环境光照的影响，提高图像的稳定性；

步骤3、构建用于嫩芽识别的卷积神经网络，使用不同场景条件下的训练输入图像对神经网络进行训练，建立茶树嫩芽识别模型；

步骤4、利用所述茶树嫩芽识别模型识别待处理茶树图像中的嫩芽及其所在位置，并显示识别结果。

2.根据权利要求书1所述的方法，其特征在于，所述建立茶树嫩芽识别模型具体包括下列顺序的步骤：

步骤21、采集各种场景条件下的茶树图像作为对照图像；

步骤22、在采集的对照图像中剔除异常图像、并标注茶树嫩芽的位置，利用标注完成后的对照图像制作训练集；

步骤23、定义所用的卷积神经网络结构，所述神经网络结构中使用了多个池化窗口来提高对目标大小变化的适应能力；

步骤24、利用所述训练集训练神经网络，得到茶树嫩芽识别模型。

3.根据权利要求书2所述的方法，其特征在于，所述卷积神经网络基于YOLO网络结构，通过增加一个SPP模块获得多个池化窗口，提高对目标尺寸变化的适应能力。

4.根据权利要求书2所述的方法，其特征在于，所述神经网络结构进一步包括：输入模块，卷积模块，残差模块，上采样模块，拼接操作模块，SPP模块；所述输入模块接收输入图像，其输出依次连接第一卷积模块、残差模块、SPP模块、第二卷积模块，第二卷积模块输出第一级目标Scale1，第二卷积模块的另一输出通过上采样模块连接到第一拼接操作模块的输入端，残差模块的一个输出连接第一拼接操作模块的另一输入端，第一拼接操作模块的输出连接第三卷积模块的输入，第三卷积模块输出第二级目标Scale2，第三卷积模块的另一输出通过上采样模块连接到第二拼接操作模块的输入端，残差模块的另一输出连接第二拼接操作模块的另一输入端，第二拼接操作模块的输出连接第四卷积模块的输入，第四卷积模块输出第三级目标Scale3。

5.根据权利要求书3所述的方法，其特征在于，在卷积操作中，通过改变卷积核的步长来改变张量的尺寸，从而获得不同尺度的特征图。

6.根据权利要求书3所述的方法，其特征在于，残差操作通过包含多个残差单元的残差模块完成，用于获取更多低层小目标的位置信息。

7.根据权利要求书3所述的方法，其特征在于，SPP模块采用尺寸为5*5、9*9、13*13的最大池化窗口和一个连接组成，实现局部特征和全局特征的融合，然后经过concat拼接输入下一层网络。

8.根据权利要求书3所述的方法，其特征在于，在输出上分为三级，Scale1为13*13特征的输出，Scale2为经过上采样操作将13*13与26*26特征融合而成的输出，Scale3为经过上采样操作将13*13、26*26与52*52特征进行融合，形成最终的输出。

9.根据权利要求书2-8任一项所述的方法，其特征在于，所述场景条件基于天气、时间段、光照、拍摄角度、背景等多个维度进行区分。