[发明专利]一种基于改进YOLOv5的串型番茄实时检测方法

说明书

本发明属于计算机视觉与模式识别、深度学习以及串型番茄成熟度检测技术领域，针对传统的图像处理算法对番茄的检测准确率相对较低，推理速度较慢，对复杂场景的适应性及准确性较差以及目前深度学习在串型番茄的检测方法和图像数据集处理中的缺乏，公开了一种基于改进YOLOv5的串型番茄实时检测方法，是基于YOLOv5思想，引入注意力机制以挖掘更深更优的图像特征信息，能够在检测精度、推理速度两方面达到实用化的要求，实现了在人工智能嵌入式设备上的应用。

技术领域

本发明属于计算机视觉与模式识别、深度学习以及串型番茄成熟度检测技术领域，具体为一种基于改进YOLOv5的串型番茄实时检测方法。

背景技术

近年来，中国温室番茄种植面积日益增加，随着设施农业和作业机械化的快速发展，对番茄温室种植模式的要求也越来越高。而温室内番茄采摘作业大多是由人工完成，采摘是生产链中最耗时、最费力的环节之一，其劳动强度大，费用高。研究并装配番茄采摘机器人，是设施农业中亟待解决的重要问题之一。在温室环境下，番茄采摘机器人进行串型番茄的采摘作业时首先要根据串型番茄的成熟度判断果实是否适合采收。番茄果实的生长形态各有不同，果实之间存在重叠黏连等问题，番茄的叶片、枝干和光照强度不同等，都会对番茄串造成不同程度的遮挡，研究自然条件下、复杂环境中的串型番茄检测方法对提高采摘机器人效率和精度具有重大意义。

如今，多地已引入樱桃串式的串型番茄。对此类串型番茄的图像数据和高效检测方法还相对匮乏，现有研究技术大多采用传统的图像处理算法进行实现，通过直方图等信息将番茄果实区域分类，随后基于颜色分析和图像处理方法获取番茄的位置信息，从而实现番茄果实的检测。使用此类传统方法对番茄的检测准确率相对较低，推理速度较慢，对复杂场景的适应性及准确性较差。随着人工智能的不断发展，深度学习逐渐地应用于各个领域，在农业方面也获得了很好的成果，针对计算机视觉问题，传统算法逐渐被鲁棒性更强的深度学习检测算法所取代，深度学习让现代农业变得更加自动化、智能化，弥补了传统农业的不足。但目前针对串型番茄的检测方法和图像数据集均相对缺乏，构建串型番茄数据集、设计针对此问题的检测网络结构成为难点。

发明内容

针对目前串型番茄的检测方法和图像数据集均相对缺乏，以及传统方法对番茄的检测准确率相对较低，推理速度较慢，对复杂场景的适应性及准确性较差等问题，本发明提供了一种基于改进YOLOv5的串型番茄实时检测方法

为了达到上述目的，本发明采用了下列技术方案：

本发明提供一种基于改进YOLOv5的串型番茄实时检测方法，包括以下步骤：

步骤1，采集串型番茄图像，对串型番茄图像进行划分和标注，构建串型番茄检测数据集；

步骤2，对模型输入图像数据进行预处理，包括Mosaic数据增强，自适应锚框计算，自适应图片缩放处理；

步骤3，基于YOLOv5，引入注意力机制，构建串型番茄实时检测模型TomatoNet；本发明创新引入注意力机制使网络模型更加关注目标物体的特征,从而达到提高模型性能和降低误检率的目的，即在保证召回率较高的情况下，尽可能地提高精确率，其基本思想是关注感兴趣的细节信息并抑制其他无用信息。

步骤4，对步骤3构建的串型番茄实时检测模型TomatoNet进行训练；

步骤5，对步骤4训练好的模型进行验证，使其准确率达到85％，视频每秒传输帧数达到30fps；

步骤7，采用验证后的模型TomatoNet进行串型番茄实时检测。

进一步，所述步骤1中对串型番茄图像进行划分和标注的具体过程为：先将数据集中的串型番茄图像按照训练集：验证集＝8：2进行划分，然后使用LabelImg工具对图像数据进行框选标注，按照串型番茄成熟度将串型番茄图像数据分为成熟、半成熟和不熟三类。