[发明专利]一种基于轻量化改进YOLO的番茄成熟度检测方法

说明书

本发明涉及一种基于轻量化改进YOLO的番茄成熟度检测方法。采集大棚环境下的番茄图像，并基于成熟度将数据集划分为成熟、半成熟、未成熟三种状态。利用K‑means聚类算法对番茄数据集中已标注的目标边界锚框聚类，产生不同数量、不同大小的先验框。构建改进后的YOLO v5模型，摘除原YOLOv5的Focus层，利用MobileNet V3的bneck模块替换原YOLOv5的backbone部分，实现模型的轻量化。调用摄像头，采集大棚环境下番茄视频流，并实时输入改进后的YOLOv5模型，利用显示终端输出预测结果，即番茄的位置、类别和数量。本发明在保证模型检测精度的条件下，减少了模型参数及运算量，提高了检测速度，降低了对于硬件设备的算力要求。

技术领域

本发明属于目标检测领域，具体涉及一种基于轻量化改进YOLO的番茄成熟度检测方法。

背景技术

我国是世界最大的番茄生产和消费国家，番茄生产是农民增收致富和出口创汇的重要途径之一。番茄生长周期短，为了实现优质和高产，需要对番茄的数量、位置和成熟度进行动态而精确的检测，与此同时，随着农业人口的减少和老龄化，越来越多的农业机器人出现来取代人类从事如收获等工作。番茄农业机器人的设计难点之一是番茄的识别和定位，其准确性关系到机器人的工作效率。番茄果实的生长姿态各异，果实之间重叠，叶片、枝干、果柄等对果实遮挡严重，未成熟番茄与叶子和藤蔓的颜色相似，温室光照环境复杂，这些因素都给机器人识别带来了一定的困难。近些年随着深度学习的发展，目标检测算法在农业领域也得到了大量应用，但伴之而来的是神经网络模型的体积越来越大，参数量与计算量的不断增多，但实际农业生产检测环境下往往需要把网络模型部署在算力有限的移动端或嵌入式设备中，而这些设备无法支持复杂的计算量。基于此，本发明提出一个基于轻量化改进YOLOv5的番茄实时检测算法，实现番茄的实时定位、果实计数及成熟度判断，改进后的算法也能更为方便的部署在低算力的移动平台上，如树莓派、开发板、智能手机等。

发明内容

本发明的目的在于针对原始YOLOv5方法参数过多，计算量大，检测时间较长以及占用内存大的不足，提供一种基于轻量化改进YOLO的番茄成熟度检测方法，有效降低模型的参数量，在保证检测精度的同时提升模型的目标检测速度。

为实现上述目的，本发明的技术方案是：一种基于轻量化改进YOLO的番茄成熟度检测方法，包括如下步骤：

S1、采集大棚环境下的番茄图像形成番茄数据集，利用开源软件LabelImg对不同成熟度下的番茄图像进行锚框标注及类别划分，具体类别包括三类：Mature、Semi-Mature、UnMature；

S2、将番茄数据集划分为训练集、验证集和测试集，分别用于模型的训练和测试；

S3、利用k-means聚类算法对番茄数据集的真实边界框进行聚类分析，得到9种不同尺寸的先验框；

S4、采用YOLOv5作为基础模型，删除其Focus层，同时利用MobileNetV3的bncek模块替换YOLOv5的backbone部分，得到轻量化改进后的YOLOv5模型；

S5、利用标注好的训练集对改进后的YOLOv5模型进行训练，将经过backbone和haed层聚合后的特征输入YOLOv5 detect层，对番茄果实目标的位置和类别进行预测，利用损失函数训练模型，收敛以后得到最终的模型权重；

S6、利用训练得到的最优模型权重，将测试集输入进行检测，产生最终的检测结果。

在本发明一实施例中，步骤S1中，采用以下方法构建番茄数据集：

分别在早上及下午两个时间段，在大棚环境下，利用智能手机采集番茄图像1000张，利用开源软件LabelImg对番茄数据集进行标注，其中番茄表皮颜色为深红色，满足采摘条件的，标注为“Mature”，表皮颜色为较浅的橘红色，尚不满足采摘条件的，标注为“Semi-Mature”，表皮颜色为绿色，还处于生长阶段的，标注为“UnMature”。