一种基于改进YOLOv4果园复杂环境下葡萄成熟度的检测方法技术

本发明专利技术涉及水果成熟度检测技术领域，尤其是一种基于改进YOLOv4的果园复杂环境下葡萄成熟度检测方法。通过对采集的图像进行数据预处理与人工标注后获得数据集，再利用改进后的YOLOv4网络对其进行训练，最后得到的模型可用于葡萄成熟度的快速检测，从而提示是否为采摘的最佳时机。本发明专利技术方法容易实施，不易受环境影响，且可靠性和精度较高。且可靠性和精度较高。且可靠性和精度较高。

【技术实现步骤摘要】
一种基于改进YOLOv4果园复杂环境下葡萄成熟度的检测方法


[0001]本专利技术涉及水果成熟度检测
，尤其是一种基于改进YOLOv4的果园复杂环境下葡萄成熟度检测方法。

技术介绍

[0002]中国目前是世界上葡萄种植产量位居第一的大国，葡萄产业在中国保持着快速增长的趋势。但国内葡萄收获中仍采用手工采摘，耗费大量劳动力，随着计算机图像处理、机器视觉、控制科学的发展，自动化、智能化的葡萄采摘机器人进入农业生产成为可能。但葡萄果园内环境复杂，葡萄枝叶对葡萄果实遮挡严重，葡萄果实间存在重叠现象，且葡萄果穗中不同果粒间成熟度也不一致，使得对于葡萄果实成熟度的检测成为难题。
[0003]近年来，深度卷积神经网络在目标检测中展现出极大的优势，能够快速精准地完成检测任务，使复杂环境中果实成熟度的识别成为可能。为解决复杂场景下的葡萄成熟度检测，本研究选用基于回归的YOLO系列的第四代算法YOLOv4，将主干特征提取网络替换为Mobilenetv3网络作为改进，并引入SENet注意力机制，使其能够同时满足识别精度与检测速度的需求。本专利技术方法容易实施，不易受环境影响，且可靠性和精度较高。

技术实现思路

[0004]本专利技术要解决的技术问题是：为解决复杂场景下的葡萄成熟度检测，本研究选用基于回归的YOLO系列的第四代算法YOLOv4，将主干特征提取网络替换为Mobilenetv3网络作为改进，并引入SENet注意力机制，使其能够同时满足识别精度与检测速度的需求。本专利技术方法容易实施，不易受环境影响，且可靠性和精度较高。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种基于改进YOLOv4的果园复杂环境下葡萄成熟度检测方法，包括如下步骤，
[0007](1)利用相机在不同光照条件与不同重叠遮挡程度条件下，随机对一株葡萄进行多方位、多角度、多种距离的拍摄，获得大量的不同成熟度的葡萄图片；
[0008](2)通过网络爬取图片的方式进行数据平衡处理，使得各种成熟度的葡萄样本数量达到基本一致；
[0009](3)通过翻转、加噪、平移等方式，对上述获得的所有图片进行数据扩增处理，从而获得足够多的不同成熟度的葡萄图像；
[0010](4)使用1abelImg软件对图像进行人工标注，将图像中的葡萄按照成熟度划分为全青、接近全青、接近成熟与全熟的四类葡萄；
[0011](5)利用标注好的文件建立有关葡萄成熟度的PASCAL
‑
VOC2007格式的数据集；
[0012](6)按照9：1的比例将数据集划分为训练集与验证集；
[0013](7)利用改进后的YOLOv4网络对数据集进行训练；
[0014](8)利用训练好的模型对实际场景中的葡萄进行成熟度检测，提示是否为采摘的合适时机；
[0015]具体的，所述改进后的YOLOv4网络以Mobilenetv3为主干特征提取网络且增加了SENet注意力机制。
[0016]本专利技术的有益效果是：本专利技术提供了一种基于改进YOLOv4的果园复杂环境下葡萄成熟度检测方法，通过对采集的图像进行数据预处理与人工标注后获得数据集，再利用改进后的YOLOv4网络对其进行训练，最后得到的模型可用于葡萄成熟度的快速检测，从而提示是否为采摘的最佳时机。本专利技术方法容易实施，不易受环境影响，可靠性和精度较高。
附图说明
[0017]下面结合附图和实施例对本专利技术进一步说明。
[0018]图1为本专利技术的成熟度检测流程图；
[0019]图2为本专利技术使用的改进后的YOLOv4网络结构图，其中Mobilenetv3表示使用的主干特征提取网络，SPP与PANet都是加强特征提取网络，YOLO HEAD表示预测部分，Conv2D表示二维卷积，BN表示批量正则化，h_swish表示激活函数模块，Conv表示卷积，DSConv表示深度可分离卷积，UpSampling表示上采样， DownSampling表示下采样，concat表示特征融合。
具体实施方式
[0020]现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0021]本专利技术实施的总体思路为：先获取原始的葡萄图像，再经过数据预处理获得足够多的数据样本，通过人工标注的方式获得葡萄成熟度的数据集，然后利用改进后的YOLOv4网络对数据集进行训练，最后利用训练的结果对实际场景中的葡萄进行成熟度的预测，以提示是否为采摘的最佳时机。
[0022]本专利技术的具体实施步骤为：
[0023](1)利用相机在不同光照条件与不同重叠遮挡程度条件下，随机对一株葡萄进行多方位、多角度、多种距离的拍摄，获得大量的不同成熟度的葡萄图片；
[0024](2)通过网络爬取图片的方式进行数据平衡处理，使得各种成熟度的葡萄样本数量达到基本一致；
[0025](3)通过翻转、加噪、平移等方式，对上述获得的所有图片进行数据扩增处理，从而获得足够多的不同成熟度的葡萄图像，并统一保存为.jpg的格式；
[0026](4)使用1abelImg软件对图像进行人工标注，将图像中的葡萄利用矩形框框选出来并按照成熟度划分为全青、接近全青、接近成熟与全熟的四类葡萄，标注好的文件以.xml的格式保存；
[0027](5)利用标注好的文件建立有关葡萄成熟度的PASCAL
‑
VOC2007格式的数据集，PASCAL
‑
VOC2007格式的数据集含Annotations、ImageSets和JPEGImages 三个文件夹，分别用于存放标注后的.xml文件、训练和验证用到的.txt文件和所有数据预处理后的图片，再按照9∶1的比例将数据集划分为训练集与验证集；
[0028](6)采用Mobilenetv3作为主干特征提取网络，在加强特征提取网络中使用深度可分离卷积替代传统卷积，在每次特征融合前加入SENet注意力机制，从而完成对YOLOv4网络的改进；
[0029](7)利用改进后的网络对数据集进行训练，将网络训练的参数设置为：迭代训练的样本数为8，迭代总次数为1000，初始学习率为0.001，动量因子为 0.95，每训练50次就保存一个训练权重并使学习率降低10倍；
[0030](8)利用训练好的模型对实际场景中的葡萄进行成熟度检测，提示是否为采摘的合适时机；
[0031]以上述依据本专利技术的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项专利技术技术思想的范围内，进行多样的变更以及修改。本项专利技术的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv4的果园复杂环境下葡萄成熟度检测方法，其特征在于：包括如下步骤，(1)利用相机在不同光照条件与不同重叠遮挡程度条件下，随机对一株葡萄进行多方位、多角度、多种距离的拍摄，获得大量的不同成熟度的葡萄图片；(2)通过网络爬取图片的方式进行数据平衡处理，使得各种成熟度的葡萄样本数量达到基本一致；(3)通过翻转、加噪、平移等方式，对上述获得的所有图片进行数据扩增处理，从而获得足够多的不同成熟度的葡萄图像；(4)使用labelImg软件对图像进行人工标注，将图像中的葡萄按照成熟度划分为全青、接近全青、接近...

【专利技术属性】
技术研发人员：邱畅，田光兆，赵嘉威，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：