一种番茄果实成熟度预测方法及装置制造方法及图纸

本发明专利技术公开了一种番茄果实成熟度预测方法及装置；该方法包括采集番茄果实原始图片；改进CenterNet

【技术实现步骤摘要】
一种番茄果实成熟度预测方法及装置


[0001]本专利技术涉及深度学习和计算机视觉
，具体涉及一种番茄果实成熟度预测方法及装置。

技术介绍

[0002]番茄是一种日常生活中十分常见的食材，其味甜多汁，富含各种营养成分。除此之外，番茄中含有的类黄酮能够预防血管硬化，具备较高的医疗价值。
[0003]在番茄种植过程中实现生产自动化、集约化、智能化，不仅能有效保障番茄产量，而且能进一步提升番茄品质。在番茄生产环节，番茄成熟度的判定对采收、储藏的生产管理决策起着重要作用。而且，当番茄作为食用商品进入消费领域，其成熟度和商品品质紧密挂钩，直接影响经济效益高低。
[0004]近年来，在人工智能技术的支撑下，传统农业加速向智慧农业转型。人工智能技术为解决番茄成熟度预测的问题提供了新颖思路和有效工具。研究人员探索利用图像处理方法来实现番茄成熟度检测。例如，采用二值法获取单个番茄果实边缘，结合RGB颜色特征对番茄成熟度进行分类。然而，在番茄成熟度预测方面，仍存在许多有待进一步解决的问题。例如，番茄成熟度判定标准差异很大，果实的理化特征、生化参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种番茄果实成熟度预测方法，其特征在于，包括：采集番茄果实原始图片；构建改进CenterNet
‑
Improved模型，并使用CenterNet
‑
Improved模型对所述原始图片进行成熟度预测；在配置有摄像头的嵌入式平台上部署CenterNet
‑
Improved模型进行实时获取番茄果实成熟度预测结果并可视化展示。2.根据权利要求1的番茄果实成熟度预测方法，其特征在于，所述采集番茄果实原始图片之后，还包括：构建生理时期分类的基准图片数据集并标记：分别采集番茄果实生理时期的绿熟期、转色期、成熟期、完熟期采集番茄果实原始图片，标记图片对应的生理时期；获取每张基准图片果实区域的LAB三通道平均值L
i
、A
i
、B
i
和同一生理时期n张基准图片的LAB三通道平均值其中，i标记为图片序号，s标记为生理时期基准颜色类别序号；针对训练图片数据集，选择训练图片数据集每张图片中的番茄果实，区域作为分割果实区域；计算每张训练图片分割果实区域的LAB三通道平均值L
k
、A
k
、B
k
，其中，j标记为图片序号，k标记为果实序号；利用CIEDE2000色差公式，计算当前果实L
k
、A
k
、B
k
与每一生理时期的与每一生理时期的的色差值，取色差最小的基准颜色类别作为训练图片数据集中番茄果实j,k的生理时期类别，并根据生理时期确定成熟度；成熟度按照生理时期分类结果进行划分，生理时期为绿熟期标记成熟度为未成熟，转色期标记为半成熟，成熟期、完熟期标记为全成熟。3.根据权利要求1的番茄果实成熟度预测方法，其特征在于，所述构建改进CenterNet
‑
Improved模型，包括：以CenterNet算法的CircleNet目标检测模型为基础，针对侧端边缘计算加速的部署特点，修改模型骨干网络，采用轻量级ShuffleNet V2替代原骨干网络；以圆形目标检测框替代矩形目标检测框，确定基准图片、训练图片以及预测图片中的果实区域；根据圆形检测区域的几何特征和统计偏差规律，构建加权损失函数L
det
改进模型。4.根据权利要求3的番茄果实成熟度预测方法，其特征在于，所述加权损失函数L
det
训练模型具体为：L
det
＝L
k
+λ
off
L
off
+λ
r
L
r
+λ
DIou
L
DIou
；其中，L
k
为关键点热图损失函数,计算公式为α、β分别为2和4，N为图像中目标个数；L
off
为中心点偏移损失函数，计算公式为
为预测的中心点偏移，R为下采样率，为预测的中心点，p为真实的中心点；L
r
为半径损失函数，计算公式为为半径损失函数，计算公式为为预测的半径，r
k
为表示标注框，即真实框信息中的半径值；同时评估预测框和真实框重叠程度与两框之间中心距离的影响，构建Distance
‑
IoU Loss损失函数，计算公式为ρ(b,b
gt
)为两框中心点之间的距离；c为覆盖预测框和真实框的最小矩形对角线长度，计算方法为，根据圆心和半径确定圆检测框的最小外接正方形，记检测框的圆心坐标为(x,y)，半径为r,则最小外接正方形的左上顶点和右下顶点坐标分别为(x
‑
r,y
‑
r),(x+r,y+r)。5.根据权利要求3的...

【专利技术属性】
技术研发人员：徐海涛，郑城锟，龙拥兵，袁宇翔，冷鑫涛，殷江栋，邓海东，兰玉彬，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：