果实产量估计方法、模型训练方法、设备及存储介质技术

本申请公开了一种果实产量估计方法、模型训练方法、设备及存储介质，属于农业自动化技术领域。所述方法包括：获取水果种植区域的多张图像，多张图像是通过图像采集设备对水果种植区域的多个采样点分别进行图像采集得到；将多张图像中的每张图像输入至目标检测模型，通过目标检测模型识别每张图像中的果实，得到每张图像的果实识别结果，目标检测模型的骨干网络为变形Darknet，变形Darknet是将Darknet中的若干残差块替换为CSP块后生成得到；根据多张图像中每张图像的果实识别结果，确定水果种植区域的果实产量。如此，果实产量估计方式高效、便捷，节省了人工成本，提高了工作效率和识别准确率。别准确率。别准确率。

【技术实现步骤摘要】
果实产量估计方法、模型训练方法、设备及存储介质


[0001]本申请涉及农业自动化
，特别涉及一种果实产量估计方法、模型训练方法、设备及存储介质。

技术介绍

[0002]中国是水果生产大国，在很多地区果树产业已成为当地的支柱产业。为了提高果园管理水平，需要对水果种植区域的果实产量进行统计。比如在果树生长过程中估计果实产量，以便根据果实产量及时调整生产管理与销售策略。但是，目前果园大都采用人工方式对果实产量进行估计，存在效率和安全性较低、准确率不高等问题。

技术实现思路

[0003]本申请提供了一种果实产量估计方法、模型训练方法、设备及存储介质，可以节省了人工成本，提高果实产量估计效率和准确率。所述技术方案如下：
[0004]第一方面，提供了一种果实产量估计方法，所述方法包括：
[0005]获取水果种植区域的多张图像，所述多张图像是通过图像采集设备对所述水果种植区域的多个采样点分别进行图像采集得到；
[0006]将所述多张图像中的每张图像输入至目标检测模型，通过所述目标检测模型识别每张图像中的果实，得到每张图像的果实识别结果，所述目标检测模型的骨干网络为变形Darknet，所述变形Darknet是将Darknet中的若干残差块替换为跨阶段局部CSP块后生成得到；
[0007]根据所述多张图像中每张图像的果实识别结果，确定所述水果种植区域的果实产量。
[0008]可选地，所述每张图像的果实识别结果包括每张图像中的果实位置和果实数量，所述根据所述多张图像中每张图像的果实识别结果，确定所述水果种植区域的果实产量，包括：
[0009]根据所述多张图像中每张图像中的果实数量，确定所述水果种植区域的总果实数量；
[0010]根据所述多张图像中每张图像中的果实位置和果实数量，确定所述水果种植区域的平均单果质量；
[0011]根据所述水果种植区域的总果实数量和所述平均单果质量，确定所述水果种植区域的果实产量。
[0012]可选地，所述根据所述多张图像中每张图像中的果实位置和果实数量，确定所述水果种植区域的平均单果质量，包括：
[0013]根据所述多张图像中每张图像中的果实位置，确定每张图像中的果实的深度信息；
[0014]根据每张图像中的果实的深度信息，确定每张图像中的果实的果实质量；
[0015]根据所述多张图像中每张图像中的果实的果实重量以及每张图像中的果实数量，确定所述水果种植区域的平均单果质量。
[0016]可选地，所述根据每张图像中的果实的深度信息，确定每张图像中的果实的果实质量，包括：
[0017]根据每张图像中的果实的深度信息，确定每张图像中的果实的体积；
[0018]将所述每张图像中的果实的体积作为回归模型的输入，通过所述回归模型确定每张图像中的果实的质量，所述回归模型用于根据任一果实的体积确定所述任一果实的质量。
[0019]可选地，所述获取水果种植区域的多张图像之前，所述方法还包括：
[0020]根据所述水果种植区域的种植面积和分布情况，从所述水果种植区域确定所述多个采样点。
[0021]可选地，所述获取水果种植区域的多张图像，包括：
[0022]若所述水果种植区域种植的水果为第一类水果，则通过水果园区作业车搭载的图像采集设备对所述多个采样点分别进行图像采集，得到所述多张图像；
[0023]若所述水果种植区域种植的水果为第二类水果，则通过无人机搭载的图像采集设备对所述多个采样点分别进行图像采集，得到所述多张图像。
[0024]可选地，所述通过无人机搭载的图像采集设备对所述多个采样点分别进行图像采集，包括：
[0025]根据所述多个采样点，规划所述无人机的航线、航点和飞行高度；
[0026]调整所述无人机搭载的图像采集设备的图像采集角度；
[0027]控制所述无人机按照所述航线和飞行高度进行飞行，并在飞行到规划的航点时通过搭载的图像采集设备进行图像采集。
[0028]可选地，所述目标检测模型为YOLO网络模型，所述YOLO网络模型包括变形Darknet、注意力机制模块和多尺度融合检测模块，所述变形Darknet包括n个CSP块，所述n为正整数。
[0029]可选地，所述注意力机制模块为卷积块注意模块CBAM，所述多尺度融合检测模块为特征金字塔检测网络FPN。
[0030]可选地，所述多尺度融合检测模块包括不同尺度的多个目标检测模块，所述多个目标检测模块中的至少一个目标检测模块中引入有感受野块RFB。
[0031]可选地，所述多尺度融合检测模块引入有空间注意力机制。
[0032]第二方面，提供了一种模型训练方法，该方法包括：
[0033]获取样本图像集，所述样本图像集中的样本图像是样本水果种植区域的图像；
[0034]对所述样本图像集包括的每张样本图像中的果实位置进行标注，得到标注图像集；
[0035]根据所述标注图像集对待训练目标检测模型进行训练，得到目标检测模型，所述目标检测模型用于识别任一图像中的果实，所述待训练目标检测模型的骨干网络为变形Darknet53网络，所述变形Darknet53网络是将Darknet53中的若干残差块替换为跨阶段局部CSP块后生成得到。
[0036]可选地，所述获取样本图像集，包括：
[0037]确定所述样本水果种植区域的多个采样点，得到多个样本采样点；
[0038]通过图像采集设备对所述多个样本采样点进行图像采集，得到初始样本图像集；
[0039]对所述初始样本图像集进行数据增强处理，得到所述样本图像集。
[0040]可选地，所述对所述初始样本图像集进行数据增强处理，包括：
[0041]根据所述初始样本图像集中的样本图像，生成模拟第一遮挡情景的样本图像，所述第一遮挡情景是指果实被其他果实遮挡的情景；
[0042]根据所述初始样本图像集中的样本图像，生成模拟第二遮挡情景的样本图像，所述第二遮挡情景是指果实被背景物体遮挡的情景。
[0043]可选地，所述根据所述初始样本图像集中的样本图像，生成模拟第一遮挡情景的样本图像，包括：
[0044]对于所述初始样本图像集中的第一样本图像，对所述第一样本图像中的目标果实进行轮廓边缘提取，得到第一果实轮廓，所述第一样本图像为所述初始样本图像集中的任一样本图像；
[0045]将第一果实轮廓与第二果实轮廓进行重叠，所述第二果实轮廓是对所述第一果实轮廓进行复制得到，或者为所述目标果实之外的其他果实的果实轮廓；
[0046]从所述第一果实轮廓的像素点集中去除所述第一果实轮廓与所述第二果实轮廓的交集像素点集，得到第一像素点集；
[0047]将所述第一像素点集与所述第二果实轮廓的像素点集进行合并，得到第二像素点集；
[0048]将所述第二像素点集与所述初始样本图像中的任一样本图像进行拼接处理，得到新的样本图像。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种果实产量估计方法，其特征在于，所述方法包括：获取水果种植区域的多张图像，所述多张图像是通过图像采集设备对所述水果种植区域的多个采样点分别进行图像采集得到；将所述多张图像中的每张图像输入至目标检测模型，通过所述目标检测模型识别每张图像中的果实，得到每张图像的果实识别结果，所述目标检测模型的骨干网络为变形Darknet，所述变形Darknet是将Darknet中的若干残差块替换为跨阶段局部CSP块后生成得到；根据所述多张图像中每张图像的果实识别结果，确定所述水果种植区域的果实产量。2.如权利要求1所述的方法，其特征在于，所述每张图像的果实识别结果包括每张图像中的果实位置和果实数量，所述根据所述多张图像中每张图像的果实识别结果，确定所述水果种植区域的果实产量，包括：根据所述多张图像中每张图像中的果实数量，确定所述水果种植区域的总果实数量；根据所述多张图像中每张图像中的果实位置，确定每张图像中的果实的深度信息；根据每张图像中的果实的深度信息，确定每张图像中的果实的果实质量；根据所述多张图像中每张图像中的果实的果实质量以及每张图像中的果实数量，确定所述水果种植区域的平均单果质量；根据所述水果种植区域的总果实数量和所述平均单果质量，确定所述水果种植区域的果实产量。3.如权利要求2所述的方法，其特征在于，所述根据每张图像中的果实的深度信息，确定每张图像中的果实的果实质量，包括：根据每张图像中的果实的深度信息，确定每张图像中的果实的体积；将所述每张图像中的果实的体积作为回归模型的输入，通过所述回归模型确定每张图像中的果实的果实质量，所述回归模型用于根据任一果实的体积确定所述任一果实的果实质量。4.如权利要求1
‑
3任一所述的方法，其特征在于，所述目标检测模型为YOLO网络模型，所述YOLO网络模型包括变形Darknet、注意力机制模块和多尺度融合检测模块，所述变形Darknet包括n个CSP块，n为正整数。5.如权利要求4所述的方法，其特征在于，所述注意力机制模块为卷积块注意模块CBAM；所述多尺度融合检测模块为特征金字塔检测网络FPN，所述多尺度融合检测模块包括不同尺度的多个目标检测模块，所述多个目标检测模块中的至少一个目标检测模块中引入有感受野块RFB；所述多尺度融合检测模块引入有空间注意力机制。6.一种模型训练方法，其特征在于，所述方法包括：获...

【专利技术属性】
技术研发人员：叶全洲，林涌海，王宏乐，谢辉，邓烈，王兴林，
申请(专利权)人：深圳市五谷网络科技有限公司，
类型：发明
国别省市：