【技术实现步骤摘要】
基于yolo网络的雾滴沉积图像检测系统和方法
本专利技术涉及农业无人机农药雾滴喷洒监测
，具体涉及一种基于yolo网络的雾滴沉积图像检测系统和方法。
技术介绍
现代化农业中，雾滴的尺寸参数是决定植保机械性能的重要指标；有关研究表明，不同的生物靶标捕获的雾滴粒径范围不同；只有在最佳粒径范围内，靶标捕获的雾滴数量最多，防治病虫害的效果也是最佳。在人工智能高速发展的今天；计算机视觉技术在各个领域得到广泛的应用。目前对雾滴尺寸参数的主要测量方法有激光法和机械法，激光法虽然操作比较容易，但是测量仪器的成本价格昂贵；并且对检测的条件具有一定的局限性；对于机械法来说，如油盘法，基本是以手工进行操作，采集后的雾滴，需要通过显微镜进行测定、计算、和矫正；操作过程复杂并且精度很低。上述的激光法和机械法这两种方法均还有适应的场景且不能够对采集的雾滴进行快速分析。
技术实现思路
为了克服现有技术存在的缺陷与不足，本专利技术提出一种基于yolo网络的雾滴沉积图像检测系统和方法，可以快速准确地对喷洒的雾滴的尺寸大小的测...
【技术保护点】
1.一种基于yolo网络的雾滴沉积图像检测系统，其特征在于，包括：多张水敏纸、CCD摄像设备、图传设备、UVC接收机、网络服务器和上位机；/n所述水敏纸接收雾滴，所述CCD摄像设备采集雾滴沉积图像，所述图传设备将雾滴沉积图像传输至UVC接收机，所述UVC接收机接收图传设备图像数据，并与网络服务器进行数据通信，所述网络服务器接收UVC接收机传输的图像数据，传至上位机进行实时显示，所述上位机设有Qt界面和yolo网络模块，所述Qt界面对雾滴沉积图像进行截图保存，所述yolo网络模块对雾滴沉积图像进行目标检测，得到雾滴沉积图像中雾滴尺寸大小以及分布状态。/n
【技术特征摘要】 【专利技术属性】
1.一种基于yolo网络的雾滴沉积图像检测系统，其特征在于，包括：多张水敏纸、CCD摄像设备、图传设备、UVC接收机、网络服务器和上位机；
所述水敏纸接收雾滴，所述CCD摄像设备采集雾滴沉积图像，所述图传设备将雾滴沉积图像传输至UVC接收机，所述UVC接收机接收图传设备图像数据，并与网络服务器进行数据通信，所述网络服务器接收UVC接收机传输的图像数据，传至上位机进行实时显示，所述上位机设有Qt界面和yolo网络模块，所述Qt界面对雾滴沉积图像进行截图保存，所述yolo网络模块对雾滴沉积图像进行目标检测，得到雾滴沉积图像中雾滴尺寸大小以及分布状态。
2.根据权利要求1所述基于yolo网络的雾滴沉积图像检测系统，其特征在于，所述UVC接收机通过USB接口与网络服务器连接，所述UVC接收机采用口袋FPV/USV/otg/5.8G图传UVC接收机。
3.一种基于yolo网络的雾滴沉积图像检测系统的雾滴沉积图像检测方法，其特征在于，包括下述步骤：
CCD摄像设备采集水敏纸形成的雾滴沉积图像，通过图传设备传输到UVC接收机，UVC接收机通过网络服务器将雾滴沉积图像传至上位机进行实时显示；
上位机的Qt界面调用截图功能将模拟的雾滴沉积图像截图并保存为在空间上和亮暗程度上都离散的雾滴沉积数字图像；
采用迁移学习的方法对yolo网络进行训练；
训练好的yolo网络对离散化后的雾滴沉积数字图像进行目标检测，得到目标框选图像；
将雾滴数字图像以及目标框选图像显示在上位机的Qt界面中，分析计算出喷洒的雾滴的大小、数量、覆盖率。
4.根据权利要求3所述的雾滴沉积图像检测方法，其特征在于，所述采用迁移学习的方法对yolo网络进行训练，具体步骤为:
对yolo网络进行改进，取前20个卷积层，再另外加上一个平均池化层和一个全连接层；
将获取的雾滴沉积数字图像放入改进后的yolo网络进行分类训练，将yolo网络最后一个全连接层的输出神经元的激活函数采用sigmoid函数进行二分类；
微调预训练模型，利用目标任务数据在原先预训练的模型上继续训练的过程；
将训练好的yolo分类模型的最后的平均池化层以及全连接层去掉，替换为yolo目标检测网络原型，由于前20层的卷积层已经在分类检测模型上训练收敛了，并且前面的卷积层是对图片的边缘和纹理进行检测，故将学习率设置为在10的负四次方以下，进行微调前20层卷积层的权重，相对设置后面的4层卷积层和2层全连接层的学习率大一点，使得目标检测网络更容易收敛。
技术研发人员：岳学军，卢杨，王林惠，岑振钊，凌康杰，程子耀，刘永鑫，王健，林依萍，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。