一种柑橘识别与计数方法技术

本发明专利技术公开了一种柑橘识别与计数方法，涉及机器学习图像识别技术领域，包括：获取并分析柑橘园图像数据，记录柑橘数量和柑橘成熟度，构建训练集；训练柑橘识别神经网络；通过柑橘识别神经网络，对柑橘园进行柑橘计数，并分析柑橘成熟度。本发明专利技术实现了无人状态下的柑橘果实计数并判断果实成熟状态，使果园果实成熟程度变得可监控，填补了现有技术无法实时跟踪果实成熟度的空白，并且输出可靠度高，获得更可靠的识别结果，能帮助指导果园生产及其副产物综合利用开发，降低安全生产风险，提高产品收率，降低生产成本。降低生产成本。降低生产成本。

【技术实现步骤摘要】
一种柑橘识别与计数方法


[0001]本专利技术涉及机器学习图像识别
，具体涉及一种柑橘识别与计数方法。

技术介绍

[0002]柑橘识别是实现柑橘园的果实自动采摘、果树精细化管理和产量预测的关键技术环节。
[0003]由于柑橘树目标小、分布密集、遮挡情况较为严重，且每棵柑橘树约有八十至一百颗柑橘，这些因素均会对目标检测算法的性能造成极大影响。因此，现有的目标检测算法不能准确识别与计数柑橘园的柑橘。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种柑橘识别与计数方法解决了现有技术无法准确识别与计数柑橘园的柑橘的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]一种柑橘识别与计数方法，包括以下步骤：
[0007]S1、获取并分析柑橘园图像数据，记录柑橘数量和柑橘成熟度，构建训练集；
[0008]S2、根据训练集，训练柑橘识别神经网络；
[0009]S3、通过训练完成的柑橘识别神经网络，对柑橘园进行柑橘计数，并分析柑橘成熟度。
[0010]本专利技术的有益效果为：通过柑橘识别神经网络，实现无人状态下的柑橘果实计数并判断果实成熟状态，使果园果实成熟程度变得可监控，本专利技术填补了现有技术无法实时跟踪果实成熟度的空白，并且输出可靠度高，获得更可靠的识别结果，能帮助指导果园生产及其副产物综合利用开发，逐步替代现有人工操作，降低安全生产风险，提高产品收率，降低生产成本。
[0011]进一步地，所述步骤S1包括以下分步骤：
[0012]S1
‑
1、通过无人机进行平角、俯角和仰角拍摄，得到柑橘园图像数据；
[0013]S1
‑
2、计数柑橘园图像数据中的柑橘数量，并分析柑橘成熟度；
[0014]S1
‑
3、将得到了柑橘数量和柑橘成熟度的柑橘园图像数据作为训练集。
[0015]上述进一步方案的有益效果为：柑橘树目标小、分布密集、遮挡情况较为严重，且每棵柑橘树约有八十至一百颗柑橘，通过无人机的上述拍摄方法，可有效摄取柑橘园的原始图像数据，数据全面、结果可靠的样本数据作为训练集，是机器学习准确率的基础。
[0016]进一步地，所述柑橘识别神经网络包括：柑橘计数神经网络和柑橘成熟度分析神经网络；
[0017]所述柑橘计数神经网络，用于根据柑橘园图像数据，处理得到柑橘数量；
[0018]所述柑橘成熟度分析神经网络，用于根据柑橘园图像数据，分析得到柑橘成熟度。
[0019]进一步地，所述步骤S2包括以下分步骤：
[0020]S2
‑
1、根据训练集，通过剪枝算法，训练柑橘计数神经网络；
[0021]S2
‑
2、根据训练集，训练柑橘成熟度分析神经网络。
[0022]进一步地，所述柑橘计数神经网络为YOLOv3神经网络，包括N个卷积层，每个所述卷积层后均设置有一个BN层；每个所述BN层的传递函数均为：
[0023][0024]其中，B
out
为所述BN层的输出数据，C
out
为所述BN层前相邻的卷积层的输出数据，为激活均值，为激活方差偏差值，t为激活方差值，ε为权重参数，θ为偏置参数。
[0025]上述进一步方案的有益效果为：通过上述设计方案，实现了一种改进的参数可迁移、实时性高的YOLOv3轻量级神经网络。
[0026]进一步地，所述步骤S2
‑
1包括以下分步骤：
[0027]S2
‑1‑
1、根据训练集，对柑橘计数神经网络进行稀疏训练；
[0028]S2
‑1‑
2、提取并按从小到大的顺序排序处理柑橘计数神经网络中所有的BN层的权重参数值；
[0029]S2
‑1‑
3、将前γ的权重参数值清零，γ为剪枝算法中预设的剪枝比率。
[0030]上述进一步方案的有益效果为：剪枝算法对非关键权重参数进行修剪，舍弃了神经网络中不必要的运算，在保障YOLOv3轻量级神经网络的正确性和准确性的同时，提高了实时性和高效性。
[0031]进一步地，所述柑橘成熟度分析神经网络为VGG网络。
[0032]上述进一步方案的有益效果为：VGG网络可准确处理图像，识别出柑橘果实的成熟情况，进行成熟度分类。
附图说明
[0033]图1为本专利技术实施例提供的一种柑橘识别与计数方法流程图。
具体实施方式
[0034]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0035]如图1所示，在本专利技术的一个实施例中，一种柑橘识别与计数方法，包括以下步骤：
[0036]S1、获取并分析柑橘园图像数据，记录柑橘数量和柑橘成熟度，构建训练集。
[0037]步骤S1包括以下分步骤：
[0038]S1
‑
1、通过无人机进行平角、俯角和仰角拍摄，得到柑橘园图像数据。
[0039]S1
‑
2、计数柑橘园图像数据中的柑橘数量，并分析柑橘成熟度。
[0040]S1
‑
3、将得到了柑橘数量和柑橘成熟度的柑橘园图像数据作为训练集。
[0041]柑橘树目标小、分布密集、遮挡情况较为严重，且每棵柑橘树约有八十至一百颗柑橘，通过无人机的上述拍摄方法，可有效摄取柑橘园的原始图像数据，数据全面、结果可靠的样本数据作为训练集，是机器学习准确率的基础。
[0042]在本实施例中，无人机拍摄到的三种不同角度的图像还经过预处理，均修改为了416
×
416的大小。
[0043]S2、根据训练集，训练柑橘识别神经网络。
[0044]柑橘识别神经网络包括：柑橘计数神经网络和柑橘成熟度分析神经网络；
[0045]柑橘计数神经网络，用于根据柑橘园图像数据，处理得到柑橘数量；
[0046]柑橘成熟度分析神经网络，用于根据柑橘园图像数据，分析得到柑橘成熟度。
[0047]步骤S2包括以下分步骤：
[0048]S2
‑
1、根据训练集，通过剪枝算法，训练柑橘计数神经网络。
[0049]柑橘计数神经网络为YOLOv3神经网络，包括N个卷积层，每个所述卷积层后均设置有一个BN层；每个所述BN层的传递函数均为：
[0050][0051]其中，B
out
为所述BN层的输出数据，C
out
为所述BN层前相邻的卷积层的输出数据，为激活均值，为激活方差偏差值，t为激活方差值，ε为权重参数，θ为偏置参数。
[0052]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种柑橘识别与计数方法，其特征在于，包括以下步骤：S1、获取并分析柑橘园图像数据，记录柑橘数量和柑橘成熟度，构建训练集；S2、根据训练集，训练柑橘识别神经网络；S3、通过训练完成的柑橘识别神经网络，对柑橘园进行柑橘计数，并分析柑橘成熟度。2.根据权利要求1所述的柑橘识别与计数方法，其特征在于，所述步骤S1包括以下分步骤：S1
‑
1、通过无人机进行平角、俯角和仰角拍摄，得到柑橘园图像数据；S1
‑
2、计数柑橘园图像数据中的柑橘数量，并分析柑橘成熟度；S1
‑
3、将得到了柑橘数量和柑橘成熟度的柑橘园图像数据作为训练集。3.根据权利要求1所述的柑橘识别与计数方法，其特征在于，所述柑橘识别神经网络包括：柑橘计数神经网络和柑橘成熟度分析神经网络；所述柑橘计数神经网络，用于根据柑橘园图像数据，处理得到柑橘数量；所述柑橘成熟度分析神经网络，用于根据柑橘园图像数据，分析得到柑橘成熟度。4.根据权利要求3所述的柑橘识别与计数方法，其特征在于，所述步骤S2包括以下分步骤：S2
‑
1、根据训练集，通过剪枝算法，训练...

【专利技术属性】
技术研发人员：董志诚，文铫，利节，肖伟，杜春，肖颖，黄毅，
申请(专利权)人：西藏大学，
类型：发明
国别省市：