[发明专利]基于深度神经网络的水果检测方法及系统

权利要求书

1.一种基于深度神经网络的水果检测方法，其特征在于，所述方法具体包括如下步骤：

S1、相机采集图像，所述图像中包含至少一个目标物体；

S2、将采集到的图像输入神经网络，神经网络输出含有检测框的目标物体及其置信度得分；

S3、检测并删除图像中各目标物体的冗余检测框，剩余检测框内的图像即为目标物体图像；

所述神经网络包括：

用于检测大目标物体的第一目标检测层，在第一目标检测层的前端设置SPP5模块,SPP5模块的两端分别连接CSPDarknet53结构的深层卷积层及第一特征检测单元I，深层卷积层将输出的深层特征图传输至SPP5模块，经SPP5模块处理后的图像输出至第一特征检测单元I；

用于检测中目标物体的第二目标检测层,第二目标检测层上设有第一特征检测单元Ⅱ；

用于检测小目标物体的第三目标检测层，在第三目标检测层的前端设置有SPP模块,SPP模块的两端分别连接CSPDarknet53结构的浅层卷积层及第一特征检测单元Ⅲ，浅层卷积层将浅层特征图输出至SPP模块，经SPP模块处理后的图像输出至第一特征检测单元Ⅲ；

第一特征检测单元I输出的特征图像进行上采样后,传输至第一特征检测单元Ⅱ，对第一特征检测单元Ⅱ输出的特征图像进行上采样,输出至第一特征检测单元Ⅲ；

其中，SPP模块的池化核大小为1×1，5×5，9×9，13×13；

SPP5模块的池化核大小细化为1×1，4×4，7×7，10×10，13×13。

2.如权利要求1所述基于深度神经网络的水果检测方法，其特征在于，在步骤S3之后还包括如下步骤：

基于识别出的目标物体图像进行分拣，其分拣方法具体包括如下步骤：

S4、计算目标物体中心在图像坐标系中的图像坐标，将目标物体中心的图像坐标转换为世界坐标系下的空间坐标，并计算目标物体的大小；

S5、对目标物体的空间坐标进行逆运动学角度求解，进行机械臂抓取；

S6、机械臂单轴转动进行缺陷检测，将无缺陷的目标物体按照尺寸大小进行分拣。

3.如权利要求1所述基于深度神经网络的水果检测方法，其特征在于，目标物体图像的获取具体包括如下步骤：

S31、基于目标物体的类别将检测框进行分类，每类检测框按置信度得分降序排列，选择置信度得分最高的检测框；

S32、计算其他检测框与置信度得分最高检测框的曼哈顿距离P，删除曼哈顿距离P小于阈值ε₁的检测框；

S33、计算剩余检测框的与置信度得分最高检测框的加权曼哈顿距离WP及中心点距离交并比DIOU，将WP小于阈值ε₂且DIOU小于等于阈值N_t的检测框进行删除；

S34、保留曼哈顿距离P大于等于阈值ε₁且WP大于等于阈值ε₂，或者是曼哈顿距离P大于等于阈值ε₁且DIOU小于等于阈值N_t的检测框，检测保留的检测框数量是否为1，若检测结果为是，则将该保留的检测框作为该类目标物体的检测框，若检测结果为否，则执行步骤S35；

S35、将置信度得分最高的检测框作为该类目标物体的检测框，在保留的检测框中重新选择置信度得分最高的检测框，执行步骤S32。

4.如权利要求3所述基于深度神经网络的水果检测方法，其特征在于，检测框k1与检测框k2间的曼哈顿距离P的计算公式具体如下：

P＝|(x₁-x₃)|+|(x₂-x₄)|+|(y₁-y₃)|+|(y₂-y₄)|

其中，(x₁,y₁)、(x₂,y₂)表示检测框k1左上角点和右下角点的图像坐标，(x₃,y₃)、(x₄,y₄)表示检测框k2左上角点和右下角点的图像坐标。