[发明专利]番茄果实成熟度分割方法及采摘机器人

说明书

本发明提供一种番茄果实成熟度分割方法及采摘机器人，该方法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，减少特征信息集成过程中重复的可能性；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，提高番茄果实的识别效率和准确率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种番茄果实成熟度分 割方法及采摘机器人。

背景技术

随着我国农业结构的不断调整和互联网的快速发展，设施果蔬种 植逐渐由传统大棚走向智能化温室，产量也日益增加，果蔬采摘引起 了人们的关注，尤其是番茄。目前，设施农业中番茄采摘主要依靠人 工作业，由于温室面积较大、采摘番茄数量巨多，会导致大量的人力 物力浪费、人工劳动强度很大、工作效率比较低。番茄采摘机器人可 以减少作业人员、降低生产成本，对设施农业中实现采摘作业的自动 化具有现实意义。采摘机器人的关键是番茄的识别、分割与定位，对 于非结构化温室来说，番茄所处环境非常复杂，果实之间密集分布， 存在叶片遮挡、枝杆遮挡、重叠等问题，同时光照复杂性也会影响果 实采摘的正确率，采摘机器人对不同成熟度番茄果实的精准识别具有 一定的困难和挑战。因此，研究一种温室复杂环境下精确分割不同成 熟度番茄果实对提高采摘机器人采摘成熟番茄具有重要意义。

近年来，国内外很多学者对果蔬的识别与分割进行了大量的理论 与试验研究，其中包括传统分割方法和目前流行的基于深度学习的方 法。传统分割方法主要包括基于阈值的分割方法、基于区域生长的分 割方法、以及基于边缘检测的分割方法等，用于从不同颜色空间中提 取果蔬的外观特征，包括颜色、纹理、形状等，大多数研究均对单一 特征进行分类识别，未能对处于不同生长阶段的果实进行实例分割。

发明内容

本发明提供一种番茄果实成熟度分割方法、采摘机器人及计算机 可读存储介质，用以解决现有技术中未能对处于不同生长阶段的果实 进行实例分割的缺陷，实现对处于不同生长阶段的番茄果实进行实例 分割，提高番茄果实识别和分割准确率。

本发明提供一种番茄果实成熟度分割方法，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。

根据本发明提供一种的番茄果实成熟度分割方法，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。

根据本发明提供一种的番茄果实成熟度分割方法，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。