[发明专利]一种基于深度学习算法的柳树花期智能识别方法

权利要求书

1.一种基于深度学习算法的柳树花期智能识别方法，其特征在于，所述方法包括：

采集柳树图像数据集并预处理，得到照片数据集；

采用区域识别方法对所述照片数据集进行标注，得到标注数据集；

基于深度学习算法构建小目标识别模型，并根据标注数据集训练小目标识别模型；

将待检测的图像序列输入到训练好的小目标识别模型中，以判别始花期、盛花期和末花期。

2.根据权利要求1所述的一种基于深度学习算法的柳树花期智能识别方法，其特征在于，

所述采集柳树图像数据集包括：拍摄目标柳树的多景序列照片，得到数码照片数据集。

3.根据权利要求1所述的一种基于深度学习算法的柳树花期智能识别方法，其特征在于，

所述预处理包括：对所述柳树图像进行重命名，以及裁剪、旋转和缩放，以得到相似角度相同比例尺的柳树花。

4.根据权利要求2所述的一种基于深度学习算法的柳树花期智能识别方法，其特征在于，

所述采用区域识别方法对所述照片数据集进行标注，具体包括：

借助数据标注工具，对数码照片数据集中的柳树花序框选，保存得到标注数据集。

5.根据权利要求1所述的一种基于深度学习算法的柳树花期智能识别方法，其特征在于，

所述基于深度学习算法构建小目标识别模型，具体包括：采用Yolov5s模型作为小目标识别模型。

6.根据权利要求5所述的一种基于深度学习算法的柳树花期智能识别方法，其特征在于，

所述根据标注数据集训练小目标识别模型，具体包括：

将标注数据集按比例划分为训练样本集和测试样本集；

将划分后的标注数据集输入深度学习算法进行训练，获得测试结果，筛选最优模型作为所述小目标识别模型。

7.根据权利要求5所述的一种基于深度学习算法的柳树花期智能识别方法，其特征在于，

所述将标注数据集按比例划分为训练样本集和测试样本集，具体包括：训练样本集和测试样本集的划分比例要根据样本数据量大小进行确定。

8.根据权利要求5所述的一种基于深度学习算法的柳树花期智能识别方法，其特征在于，

所述将划分后的标注数据集输入深度学习算法进行训练，获得测试结果，筛选最优模型作为所述小目标识别模型，具体包括：

将划分后的标注数据集输入深度学习算法预训练模型，修改预训练模型的参数配置，并进行测试，输出最优测试结果对应的模型即为构建的小目标识别模型；

所述最优测试结果以准确率Accuracy、召回率Recall和Fscore作为评价指标评价测试结果，公式为：

其中，TP为预测不是花序且实际不是花序的区域数量、TN为预测是花序且实际是花序的区域数量、FN为实际不是花序但预测是花序的区域数量、FP为实际是花序但预测不是花序的区域数量；F_Score为综合指数，值越大模型质量越高，该值为1时模型性能最优；

F_Score为精确率和召回率的调和平均，β为调和系数，取值原则为：β如果取1，表示与Recall一样重要；β如果取小于1，表示Precision比Recall重要；β如果取大于1，表示Recall比Precision重要；

在小目标识别模型训练时，设定迭代轮次次数，并调整Yolov5s模型工作核心数，当准确率和召回率最优时，即F_Score最大时，得到最终的小目标识别模型。