[发明专利]番茄果实成熟度分割方法及采摘机器人

权利要求书

1.一种番茄果实成熟度分割方法，其特征在于，包括：

对基于区域的掩膜卷积神经网络算法主干网络进行改进，并优化掩膜分支损失函数，获得改进基于区域的掩膜卷积神经网络模型；

根据不同类别的番茄图片训练集对所述改进基于区域的掩膜卷积神经网络模型进行训练，获得识别模型；

获取番茄果实的果实图片，通过所述识别模型对所述果实图片进行识别，获得所述果实图片的分割结果。

2.根据权利要求1所述的番茄果实成熟度分割方法，其特征在于，所述对基于区域的掩膜卷积神经网络算法主干网络进行改进，并优化掩膜分支损失函数，获得改进基于区域的掩膜卷积神经网络模型的步骤，具体包括：

对基于区域的掩膜卷积神经网络算法主干网络ResNet50/101中一个或多个残差网络进行特征融合，对梯度流分割，通过不同路径传播，并优化掩膜分支损失函数，获得改进基于区域的掩膜卷积神经网络模型。

3.根据权利要求2所述的番茄果实成熟度分割方法，其特征在于，所述对基于区域的掩膜卷积神经网络算法主干网络ResNet50/101中一个或多个残差网络进行特征融合，对梯度流分割，通过不同路径传播，并优化掩膜分支损失函数，获得改进基于区域的掩膜卷积神经网络模型的步骤，具体包括：

对基于区域的掩膜卷积神经网络算法主干网络ResNet50/101中一个或多个残差网络采用分层特征融合机制，通过不断的与多个残差结构跨阶段连接，对梯度流进行分割，通过不同路径传播，并优化掩膜分支损失函数，获得改进基于区域的掩膜卷积神经网络模型。

4.根据权利要求2所述的番茄果实成熟度分割方法，其特征在于，所述对基于区域的掩膜卷积神经网络算法主干网络ResNet50/101中一个或多个残差网络采用分层特征融合机制，通过不断的与多个残差结构跨阶段连接，对梯度流进行分割的步骤，具体包括：

对基于区域的掩膜卷积神经网络算法主干网络ResNet50/101中基础层拆分成两部分，一部分进行卷积操作，另一部分卷积和残差结构卷积操作的结果进行级联，利用线性整流激活函数计算，得到的结果再继续进行拆分融合，与下一个残差模块进行级联，重复上次步骤，直至最终输出结果，对梯度流进行分割。

5.根据权利要求1-4中任一项所述的番茄果实成熟度分割方法，其特征在于，所述优化掩膜分支损失函数，具体包括：

基于交叉熵损失为每个类别增加一个权重因子，获得带权交叉熵损失函数；

根据所述带权交叉熵损失函数计算掩膜损失，获得优化掩膜分支损失函数。

6.根据权利要求1-4中任一项所述的番茄果实成熟度分割方法，其特征在于，所述根据不同类别的番茄图片训练集对所述改进基于区域的掩膜卷积神经网络模型进行训练，获得识别模型，具体包括：

通过所述改进基于区域的掩膜卷积神经网络模型的骨干网络采用CSP-ResNet50和CSP-ResNet101对不同类别的番茄图片训练集进行特征提取，根据提取的特征采用COCO预训练模型权重在图像处理单元上训练，获得识别模型。

7.根据权利要求1-4中任一项所述的番茄果实成熟度分割方法，其特征在于，所述根据不同类别的番茄图片训练集对所述改进基于区域的掩膜卷积神经网络模型进行训练，获得识别模型的步骤之后，还包括：

获取所述识别模型预测为正的正样本、预测为正的负样本、预测为负的正样本；

根据所述正的正样本、所述正的负样本和所述负的正样本，计算所述识别模型的准确率和召回率；

根据所述准确率和所述召回率计算所述识别模型对每一类别番茄图片分割的平均精度；

计算出的每一类的所述平均精度求平均值，获得所述识别模型的平均精度均值；

在所述平均精度均值满足预设取值范围时，执行所述获取番茄果实的果实图片，通过所述识别模型对所述果实图片进行识别，获得所述果实图片的分割结果的步骤。