[发明专利]一种采用改进的YOLO-V4模型对樱桃果实进行检测的方法

说明书

本发明公开了一种采用改进的YOLO‑V4模型对樱桃果实进行检测的方法，其特征在于，包括：对樱桃果实采用“labelme进行标注，标注形状为适合樱桃生长的圆形，生成“json”文件；将所述“json”文件传入改进的YOLO‑V4模型，所述改进的YOLO‑V4模型首先对樱桃果实图片进行预处理得到数据集；将所述数据集传送到主干网络中，该主干网络由DenseNet网络结构构成，所述DenseNet网络包括DenseBlock和Transition层；所述DenseBlock为结构中特有模块，同一个DenseBlock中，特征层的宽、高不会发生改变，但是通道数会随着改变；所述Transition层是将不同DenseBlock之间进行连接的模块，结合当前DenseBlock获得的特征，缩小上一个DenseBlock的宽高；该方法将YOLO‑V4模型主干网络替换为DenseNet模型，提高层间的稠密性，实现精度检测。

技术领域

本发明涉及人工智能领域物体检测分类方法，具体涉及一种采用改进的YOLO-V4模型对樱桃果实进行检测的方法。

背景技术

人工智能的发展，为我们的生产生活带来了极大的便利。在不同领域的应用尤为广泛，农业机器人技术发展比较迅速，在水果识别和精确采摘中有极大研究空间。如今，在农业领域中，由于水果的采摘主要方式是采用人工收割，其成本高，劳动强度大。由于智慧农业的产生，解放了人们的双手，并且可以在在收割技术中节省人力物力、缩减人工成本。计算机精准度高避免了由人工采摘产生的误差。采用适合果实检测的技术是研究的关键。

YOLO-V4算法是在原有YOLO(You Only Live Once)目标检测架构的基础上，采用了近些年卷积神经网络领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化，虽没有理论上的创新，但是会受到许许多多的工程师的欢迎，各种优化算法的尝试。

YOLO-V4模型是YOLO-V3的基础上进行优化的模型，与YOLO-V3网络结构将比，将YOLO-V3中的DarketNet53(是一种深度学习框架，进行3×3次步长为2的卷积，保存该卷积层，在进行1×1的卷积和一次3×3的卷积，结果堆叠为最后的残差卷积结果。)网络变为CSPDarketNet53(将DarketNet53中的残差块的堆叠拆分成两部分，主干部分继续进行原来的残差块的堆叠，另一部分则像一个残差边一样，经过少量处理直接连接到最后)，将CSPDarketNet53网络作为骨干网络，其中最后一次残差网络结构所产生的值。将Mish激活函数用于CSPDarknet53分类器训练可以提高分类器和使用该分类器预训练加权的检测器的准确性。CSPDarknet53更适用于检测器。DarketNet53网络中采用的残差结构模块，由一次下采样和多次残差网络的堆叠构成。

如今现有的樱桃检测，采用传统的目标检测方法和基于深度学习方法。传统的目标检测方法利用大小不同的滑动窗口选择出图像中可能存在目标的候选区域，然后使用手工设计的特征对这些区域进行特征提取，包括尺度不变特征变换(Scale-invariantFeature Transform，SIFT)，梯度直方图(Histogram of Oriented Gradient,HOG)等，最后将图像特征送到支持向量机(Support Vector Machine,SVM)或迭代算法(AdaptiveBoosting，Adaboost)等分类器中进行分类输出结果。由于传统的目标检测方法受滑动窗口大小和步长的影响，容易存在着像窗口冗余、检测精度低等不可避免的问题。人们认识到卷积神经网络在计算机视觉上的优势，将深度学习应用到樱桃检测中。基于深度学习的樱桃检测方法主要分为两大类：

像R-CNN、SPP-net等属于基于候选区域的两阶段(Two Stage)检测算法。这类算法首先通过边界框搜索算法或选择性搜索算法生成一系列相应的候选区域，然后利用卷积神经网络从原图像中提取特征迚行分类和定位。两阶段算法需要对每一个可能包括物体的候选区域进行检测，在樱桃检测和定位精度都占有优势，但随带来的问题是时间复杂度较高；