[发明专利]同色系背景下目标果实识别方法及系统

说明书

本发明提供一种同色系背景下目标果实识别方法及系统，属于计算机视觉技术领域，获取待识别的果园环境图像；利用预先训练好的识别模型对待识别的果园环境图像进行处理，获得目标果实识别结果；其中，利用预先训练好的识别模型对待识别的果园环境图像进行处理时，对提取的图像特征加入空间位置补码，补充损失信息。本发明使用Sparse‑transformer编码器‑解码器模型，解决果实采摘机器人的视觉系统果实检测效率较差、小目标不敏感的问题；精度高、速度快，较好的满足果实采摘机器人、产量预测等农业需求；使用小目标增强技术扩充样本空间，很好的适应小样本数据集，泛化能力强。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于稀疏变压器模型(Sparse-transformer)小目标敏感的同色系背景下目标果实识别方法及系统。

背景技术

农业生产中，机器视觉已经广泛应用于果蔬产量预测、自动采摘、病虫害识别等领域，目标检测的精度和效率成为制约作业装备性能的关键。当前，对于静态目标果实、动态目标果实、遮挡或重叠目标果实的检测已取得可喜成果。

现有的检测模型大都是基于传统的机器学习、新兴的深度网络模型。基于机器学习的检测方法，主要依赖于目标果实特征，如颜色、形状等，与背景差别较大的目标，其检测效果越好，然而遇到绿色目标果实时，果实与背景颜色相近，检测效果相对较差。基于深度学习的检测方法，训练目标网络过度依赖样本数量，在实际果园环境中，有些果园难以获得足够量的样本，无法训练得到精准的检测模型。在复杂的果园环境下，目标果实的姿态千变万化，有些目标果实为绿色，且部分环境数据采集困难造成样本数量不足，这些因素均给目标精准检测带来巨大挑战。

基于机器学习的识别方法通常伴随预处理、特征选择等操作，不能实现端到端的检测流程，且识别效果容易受到自然环境下各种干扰的影响。基于深度学习的识别方法，虽然在精度上有了显著提升，且能够实现端到端的检测流程，但由于卷积等操作以及模型对锚框的依赖，导致其需要耗费大量的计算与存储资源，识别速度尚达不到实时性要求。

发明内容

本发明的目的在于提供一种在保证精度的前提之下，利用Sparse-transformer的小目标敏感以及并行计算特性，提升速度，减少训练时间，优化小目标检测精度与速度，更好的适应果实采摘机器人、产量预测等农业需求的同色系背景下目标果实识别方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种同色系背景下目标果实识别方法，包括：

获取待识别的果园环境图像；

利用预先训练好的识别模型对待识别的果园环境图像进行处理，获得目标果实识别结果；其中，所述预先训练好的识别模型由训练集训练得到，所述训练集包括多张果园环境图像以及标注果园环境图像中目标果实的标签；

其中，

利用预先训练好的识别模型对待识别的果园环境图像进行处理时，对提取的图像特征加入空间位置补码，补充损失信息。

优选的，训练识别模型包括：将训练集经过深度卷积神经网络处理，提取特征，构建稀疏变压器模型处理特征，经前馈神经网络处理，输出最终检测结果；输入测试样本，使用评估指标评价获得的检测结果，根据评估结果调整模型的参数，重复训练改进模型，直至获得最优网络模型。

优选的，使用单反相机采集不同光照、不同时间段、不同角度下的绿色目标果实图像；使用小目标增强技术，将图像中小于预设像素的目标果实进行复制，以此来扩充样本，进行分类标注，构建数据集；将扩充完成的数据集分为训练集、验证集和测试集。