一种芥蓝成熟度识别方法技术

本发明专利技术公开了一种芥蓝成熟度识别方法，包括以下步骤：S1：模型搭建和模型训练；S101：首先进行采集图像，通过使用两台设备进行采集，然后将采集来的图像进行标签分类；旨在利用两台设备不同的摄影策略获得更有多样性的芥蓝图像从而增强卷积网络的鲁棒性；S102：然后标签分类后的图像进行传输到改进神经网络中，然后再改进卷积神经网络注意力机制，通过修改原EfficientNetv2中的SE注意力模块。本发明专利技术结构简单，使用方便，能够在参数量尽可能少的情况下对果蔬成熟度进行特征提取，本发明专利技术仅作为分类网络有极高的分类准确率，并且可作为主干特征提取网络嵌入YOLO系列目标检测算法为其提供特征信息，在果蔬采摘任务中提高效率解放劳动力。动力。动力。

【技术实现步骤摘要】
一种芥蓝成熟度识别方法


[0001]本专利技术涉及一种轻量级深度学习网络框架的分类
，具体为一种芥蓝成熟度识别方法。

技术介绍

[0002]近年来，作物成熟度与类别检测分类的自动化引起了广泛研究，方法包括Transfomer、机器学习和深度学习。
[0003]在中国专利“茶叶成熟度检测方法、茶叶采摘方法及相关设备”，其专利号为“CN114049574B”，该专利中利用基于Transfomer的图像分类算法实现了对成熟茶叶的定位，但是transfomer算法在训练时需要大量的数据集，因此训练成本颇高。
[0004]在中国专利“一种基于机器视觉的壳莲成熟度检测设备及检测方法”，其专利号为“CN114192425A”，该专利中提供了一种基于机器视觉的壳莲成熟度检测设备设有一视觉系统包含快速的检测壳莲成熟度图像处理算法，从而减少对人力的依赖。
[0005]在中国专利“基于机器视觉学习的猕猴桃成熟度无损鉴别预测方法”，其专利号为“CN114169618A”，该专利中提出了一种基于应用经验判断法确定猕猴桃成熟度标签的机器视觉学习的猕猴桃成熟度无损检测鉴别预测方法。然而相比于深度学习的自动图像特征学习，机器学习依然需要预处理即人工提取图形特征，该方法需要专家经验且过于耗费人力。
[0006]基于深度学习的目标检测方法也被广泛应用于果蔬成熟度分类任务中。在中国专利“一种基于Dish
‑
YOLO的菜品识别方法和系统”，其专利号为“CN114202652A”，该专利公开了一种基于yolo
ꢀ‑
v3改进尺度层与重新分配锚点得到的Dish
‑
YOLO的菜品识别方法和系统，使菜品智能识别结算系统具有更强的实用性和容错性。
[0007]在中国专利“一种基于卷积神经网络的黄花菜成熟度识别方法”，其专利号为“CN114359546A”，该专利中利用基于改进的yolov3目标检测模型实现了对黄花菜的位置检测与成熟度分类，但是并没有对yolov3目标检测模型的主干特征提取网络进行系统性的修改与评估。
[0008]在中国专利“基于深度学习的油茶果成熟度高光谱检测方法及分选设备”，其专利号为“CN114112932A”，该专利结合高光谱技术与深度卷积神经网络实现了对不同成熟度果实的检测与分类图像可视化。
[0009]在中国专利“一种智能化检测油茶果实成熟度的方法”，其专利号为“CN113963239B”，该专利通过深度学习中深度卷积神经网络技术构建油茶果实从内部品质参数到外部表型特征的动态映射与特征联系,实现油茶果实成熟度的量化表征,进而揭示油茶果实成熟度量化表征机理。
[0010]在中国专利“基于无人机遥感和深度学习的鲜食玉米成熟度预测方法”，其专利号为“CN114140692A”，该专利公开了一种基于无人机遥感和深度学习的鲜食玉米成熟度预测方法，其图像处理部分所采用的深度学习网络为u
‑
net。
[0011]在中国专利“一种基于深度学习和计算机视觉的串番茄成熟度检测方法”，其专利
号为“CN110472575B”，该专利综合ssd和alexnet涉及一种基于深度学习和计算机视觉的串番茄成熟度检测方法。
[0012]在中国专利“一种基于图像分析烟叶成熟度状态概率计算方法”，其专利号为“CN113919443B”，该专利提出了一种基于图像分析烟叶成熟度状态概率计算方法结合卷积神经网络模型实现自动化的烟叶成熟度状态识别。
[0013]但是该卷积网络使用单一的通道注意力机制，仍具有一定的特征提取能力提升空间。

技术实现思路

[0014]（一）解决的技术问题针对现有技术的不足，本专利技术提供了一种芥蓝成熟度识别方法，其参数量少，特征提取能力强，可以作为目标检测任务的主干特征提取网络，能够部署在非实验室级别的电脑端和手机移动端。现阶段智能手机的普及使得本专利技术具有极广的适用性，农民可通过在手机上部署基于该专利技术的相关软件对果蔬进行成熟度检测，大幅节省人力。
[0015]（二）技术方案为实现上述目的，本专利技术提供如下技术方案：一种芥蓝成熟度识别方法，包括以下步骤：S1：模型搭建和模型训练；S101：首先进行采集图像，通过使用两台设备进行采集，然后将采集来的图像进行标签分类；旨在利用两台设备不同的摄影策略获得更有多样性的芥蓝图像从而增强卷积网络的鲁棒性；S102：然后标签分类后的图像进行传输到改进神经网络中，然后再改进卷积神经网络注意力机制，通过修改原EfficientNetv2中的SE注意力模块，在仅有全局平均池化的加入全局最大池化，强化卷积网络对小特征的学习，并在此基础上并联接入坐标注意力机制；S103：在S102的基础上对改进后的SE注意力模块并联接入坐标注意力机制，同时施加通道权重与坐标权重；S104：采用预训练权重为EfficientNetv2网络先在ImageNet21K数据集上预训练，再在ImageNet1K数据集上Finetuned后的权重；S105：基于S104的预训练权重利用采集到的图像对网络进行训练，使用反向传播算法对网络参数进行调节；S2:分类应用阶段；S201；通过搭建神经网络，然后进行迁徙学习，再进行下一步的训练神经网络；S202：然后将S101中采集来的图像进行指定标签进行分类，通过上述搭建的模型和神经网络进行类别学习，通过学习花蕊的特征，以及注意力加强特征学习，再通过对各特征进行参数分类；S203:对S202中的分类数据进行整合，然后将成熟度信息进行制备表格进行反馈。
[0016]本专利技术技术方案的进一步改进在于：所述S101中的图像采集过程中，通过手持摄像头逐一拍摄芥蓝花蕊部位。
[0017]采用上述技术方案，该方案中，通过改变采集距离与角度在允许范围内的随机性有利于网络学习芥蓝花蕊特征。
[0018]本专利技术技术方案的进一步改进在于：所述S101中当进行采摘过程中时可使用普通手机摄像头对芥蓝进行拍摄，并使用S1044训练完成的特征提取与分类功能对芥蓝进行特征提取与分类，进一步为目标检测网络提供必要参数。
[0019]采用上述技术方案，该方案中，通过使用普通手机摄像头进行拍摄，降低了拍摄门槛与限制。
[0020]本专利技术技术方案的进一步改进在于：所述S101中，设备1选用尼康（Nikon）D7000单反相机，搭载AF微距尼克尔（MICRONIKKOR）60mmf/2.8D代镜头，图像分辨率为4000
×
3000。
[0021]采用上述技术方案，该方案中，通过使用单反相机进行拍摄，可以拍摄更清晰的图像。
[0022]本专利技术技术方案的进一步改进在于：所述S101中，设备2为华为荣耀p30手机搭载的后置摄像头。
[0023]采用上述技术方案，该方案中，利用手机搭载的后置摄像头与单反相机镜头拍摄，通过两台设备不同的摄影策略获得更有多样性的芥蓝图像从而增强卷积网络的鲁棒性。
[0024]本专利技术技术方案的进一步改进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种芥蓝成熟度识别方法，其特征在于，包括以下步骤：S1：模型搭建和模型训练；S101：首先进行采集图像，通过使用两台设备进行采集，然后将采集来的图像进行标签分类；S102：然后标签分类后的图像进行传输到改进神经网络中，然后再改进卷积神经网络注意力机制，通过修改原EfficientNetv2中的SE注意力模块，在仅有全局平均池化的加入全局最大池化，强化卷积网络对小特征的学习，并在此基础上并联接入坐标注意力机制；S103：在S102的基础上对改进后的SE注意力模块并联接入坐标注意力机制，同时施加通道权重与坐标权重；S104：采用预训练权重为EfficientNetv2网络先在ImageNet21K数据集上预训练，再在ImageNet1K数据集上Finetuned后的权重；S105：基于S104的预训练权重利用采集到的图像对网络进行训练，使用反向传播算法对网络参数进行调节；S2:分类应用阶段；S201；通过搭建神经网络，然后进行迁徙学习，再进行下一步的训练神经网络；S202：然后将S101中采集来的图像进行指定标签进行分类，通过上述搭建的模型和神经网络进行类别学习，通过学习花蕊的特征，以及注意力加强特征学习，再通过对各特征进行参数分类；S203:对S202中的分类数据进行整合，然后将成熟度信息进行制备表格进行反馈。2.根据权利要求1所述的一种芥蓝成熟度识别方法，其特征在于：所述S...

【专利技术属性】
技术研发人员：刘芹，张琰，陆美莲，
申请(专利权)人：仲恺农业工程学院，
类型：发明
国别省市：