【技术实现步骤摘要】
基于深度神经网络的果园香蕉检测方法、系统、设备及介质
本专利技术涉及一种基于深度神经网络的果园香蕉检测方法、系统、设备及介质，属于智能化水果检测
技术介绍
随着农场劳动力在农业行业中的匮乏，以及人工智能的快速发展，果园水果检测在农业领域引起广泛关注。目前香蕉收获基本靠人力采摘，随着人口老龄化加剧，研究果园香蕉检测对香蕉智能采摘具有重要意义。但由于香蕉果园环境的复杂性和不确定性，加之采摘时的香蕉为绿色果实，并且香蕉果穗的几何形状不规则，使得果园香蕉的检测成为难题。目前，机器视觉在香蕉果园的机械化研究中处于初步探索阶段，基于深度神经网络对果园香蕉进行检测对果园自动化智能化发展具有重要意义。
技术实现思路
有鉴于此，本专利技术提供了一种基于深度神经网络的果园香蕉检测方法、系统、设备及介质，其可以对果园香蕉进行精准检测，提高果园管理智能化水平，降低人力成本，实现农业智能化，在不同光照和遮挡条件下，可实现不同品种和不同成熟度香蕉的快速检测，为香蕉采摘、成熟度评估和估产提供信息。本专利技术的...
【技术保护点】
1.一种基于深度神经网络的果园香蕉检测方法，其特征在于，所述方法包括：/n构建神经网络模型；其中，所述神经网络模型包括特征提取模块、池化模块、多尺度特征融合模块和预测模块；/n获取自然条件下的香蕉果实图像；/n根据香蕉果实图像，获取训练集和验证集；/n利用训练集对神经网络模型进行训练；/n每完成一次训练，利用验证集对当前神经网络模型进行验证，根据验证结果调整当前神经网络模型的参数；/n当训练次数达到预设次数后，选取验证结果最优的神经网络模型作为香蕉检测模型；/n利用香蕉检测模型对果园目标图像中的香蕉果实进行检测。/n
【技术特征摘要】 【专利技术属性】
1.一种基于深度神经网络的果园香蕉检测方法，其特征在于，所述方法包括：
构建神经网络模型；其中，所述神经网络模型包括特征提取模块、池化模块、多尺度特征融合模块和预测模块；
获取自然条件下的香蕉果实图像；
根据香蕉果实图像，获取训练集和验证集；
利用训练集对神经网络模型进行训练；
每完成一次训练，利用验证集对当前神经网络模型进行验证，根据验证结果调整当前神经网络模型的参数；
当训练次数达到预设次数后，选取验证结果最优的神经网络模型作为香蕉检测模型；
利用香蕉检测模型对果园目标图像中的香蕉果实进行检测。
2.根据权利要求1所述的果园香蕉检测方法，其特征在于，所述利用训练集对神经网络模型进行训练，具体包括：
将训练集中预设张数的香蕉果实图像输入特征提取模块，提取深层次的香蕉果实特征，将输入图像的尺寸以两倍下采样；
将特征提取模块操作后的特征图像输入池化模块，采用最大池化操作；
将池化模块操作后的特征图像输入多尺度特征融合模块，进行尺寸放大，与特征提取模块操作后的特征图像进行张量和维度的融合，通过卷积操作将融合后的特征图像下采样，与对应尺度的特征图像再次融合，进一步提取定位特征；
将多尺度特征融合模块操作后的特征图像输入预测模块，通过卷积操作，将上层网络得到的三层尺度的特征图像输出，经过DIOU_nms的筛选，得到DIOU_nms值最大的检测结果；
通过迭代训练神经网络模型，直到达到迭代次数时，完成一次训练；其中，迭代次数为训练集图像数量除以预设张数的绝对值。
3.根据权利要求2所述的果园香蕉检测方法，其特征在于，所述特征提取模块为CSPDarknet模块。
4.根据权利要求2所述的果园香蕉检测方法，其特征在于，所述池化模块为空间金字塔池化模块。
5.根据权利要求2所述的果园香蕉检测方法，其特征在于，所述多尺度特征融合模块包括特征金字塔网络和路径聚合网络，其中特征金字塔网络用于对池化模块操作后的特征图像进行尺寸放大，与特征提取模块操作后的特征图像进行张量和维度的融合，所述路径聚合网络用于通过卷积操作将融合后的特征图像下采样，与对应尺度的特征图像再次融合，进一步提取定位特征。
技术研发人员：段洁利，林嘉铨，李君，付兰慧，马立哲，李灿，蒋寅龙，郭杰，刘恩秀，蒋婷婷，
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。