一种西瓜及其瓜藤识别检测方法技术

一种西瓜及其瓜藤识别检测方法，包括以下步骤：步骤一：采集西瓜图像；步骤二：制作西瓜数据集，第一种是用于训练YOLOv5算法的数据集，需要不同角度和距离的图像；第二种是用于训练U

【技术实现步骤摘要】
一种西瓜及其瓜藤识别检测方法


[0001]本专利技术属于农业方向的计算机视觉
，涉及一种西瓜及其瓜藤识别检测方法。

技术介绍

[0002]西瓜采收是较为繁杂的过程，而且目前国内的农业劳动力较为紧缺，引入西瓜采收机器人有利于解放劳动力，降低人力成本。而西瓜识别检测和瓜藤识别分割的精度直接影响着西瓜采摘机器人的工作质量。
[0003]随着深度学习在计算机视觉领域的大热，目标检测算法的精度不断改进，并且算法的效率逐渐提升。但在西瓜采摘工作中，西瓜的检测定位并不是难事，关键在于将需要剪切的瓜藤的位置和轮廓分割出来，亟需要实现西瓜及其瓜藤的有效识别和检测。

技术实现思路

[0004]为了克服已有技术无法实现西瓜及其瓜藤的有效识别和检测的不足,本专利技术提供了一种西瓜及其瓜藤识别检测方法，在目标检测的基础上还加入了语义分割算法，使得在检测西瓜瓜体位置的同时，还能识别出瓜藤的轮廓。实现像素级别的瓜藤轮廓分割，为后续的采摘工作提供更多的信息。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种西瓜及其瓜藤识别检测方法，包括以下步骤：
[0007]步骤一：采集西瓜图像，利用相机在西瓜大棚和西瓜地中采集不同时段、不同角度的西瓜图像；
[0008]步骤二：制作西瓜数据集，第一种是用于训练YOLOv5算法的数据集，需要不同角度和距离的图像；第二种是用于训练U
‑
Net算法的数据集，需要包含西瓜果柄的西瓜近景图像；数据集的标注过程为：第一批数据集是通过矩形框标出西瓜及其瓜藤的位置；第二批数据集需要用多边形将西瓜瓜藤的轮廓框选出来；
[0009]步骤三：构建两个算法模型：需要构建YOLOv5网络模型和U
‑
Net网络模型，针对西瓜藤轮廓分割的需求，对U
‑
Net网络模型进行优化，将其特征提取网络部分替换为ResNet
‑
50，减小模型的大小和运算耗时，并将下采样部分替换为空洞卷积，减少下采样过程中的信息损失；
[0010]步骤四：训练模型，用第一种数据集训练YOLOv5网络模型，第二种数据集训练U
‑
Net网络模型；
[0011]步骤五：算法运行：将训练好的模型输出成.pt格式的权重文件，将西瓜图片作为YOLOv5模型的输入，得到西瓜位置和果柄位置，以果柄位置为中心，划分出ROI区域，作为U
‑
Net模型的输入，实现瓜藤轮廓的分割，得到西瓜位置、西瓜大小、瓜藤切割点和瓜藤的轮廓信息。
[0012]进一步，所述步骤二中，将采集到的图像进行数据增强，包括图片翻转、平移、缩放
和添加噪声方式，然后使用labelme软件进行数据集标注，用于训练YOLOv5模型的数据集使用矩形框标出西瓜及其瓜藤的位置；用于训练U
‑
Net模型的数据集使用多边形框标出果柄的轮廓，软件会根据标记存储位置信息，方便后续训练模型时读取数据。
[0013]所述步骤三中，构建YOLOv5网络模型过程中，结构包括特征提取网络、特征融合网络和检测头；
[0014]构建U
‑
Net网络模型过程中，前半部分是逐步地特征提取和下采样，后半部分是逐步上采样并与前半部分同尺度的特征图进行堆叠，实现特征融合，最终进行结果输出；对其前半部分进行以下优化：将特征提取部分替换为ResNet
‑
50；将下采样模块的最大池化卷积替换成空洞卷积，减少损失的像素信息。
[0015]所述步骤四中，每种数据库加载设定数量的图片，经过模型计算得到预测结果，与真实结果比较计算得到损失函数，通过不断更新模型的权重使得损失函数达到最小；当迭代次数到300次时，训练结束，取期间损失函数最小的模型作为最终算法模型。
[0016]优选的，将U
‑
Net的损失函数设置为权重交叉熵，增大瓜藤类识别误差损失的占比，使得U
‑
Net网络模型训练时，对于瓜藤的敏感度更大，提高算法的准确率。
[0017]本专利技术的技术构思为：先通过YOLOv5算法检测得到西瓜瓜体位置和瓜藤切割点的位置，将以瓜藤切割点为中心的一定范围设为ROI区域，将这个区域作为U
‑
Net算法的输入，将需要切割的瓜藤的生长轮廓分割出来，由此两步实现西瓜的检测与瓜藤的分割。
[0018]本专利技术的有益效果主要表现在：在通过目标检测获取位置信息的同时，为后续的语义分割提供了先验信息，提高了语义分割的精度；通过修改U
‑
Net的特征提取部分和上采用部分，大幅提升算法模型的效率。实现的识别结果比普通的算法提供了更多了信息。
附图说明
[0019]图1是模型构建方法的流程图。
[0020]图2是西瓜及其瓜藤识别检测的流程图。
具体实施方式
[0021]下面结合附图对本专利技术作进一步描述。
[0022]参照图1和图2，一种西瓜及其瓜藤识别检测方法，包括以下步骤：
[0023]步骤一：采集西瓜图像，利用相机在西瓜大棚和西瓜地中采集不同时段、不同角度的西瓜图像；
[0024]步骤二：制作西瓜数据集：本专利技术包含了两步算法，需要制作两种数据集，第一种是用于训练YOLOv5算法的数据集，需要不同角度和距离的图像，第二种是用于训练U
‑
Net算法的数据集，需要包含西瓜果柄的西瓜近景图像；数据集的标注过程为：第一批数据集是通过矩形框标出西瓜及其瓜藤的位置，第二批数据集需要用多边形将西瓜瓜藤的轮廓框选出来；
[0025]步骤三：构建两个算法模型：需要构建YOLOv5网络模型和U
‑
Net网络模型。针对西瓜藤轮廓分割的需求，对U
‑
Net网络模型进行优化，将其特征提取网络部分替换为ResNet
‑
50，减小模型的大小和运算耗时，并将下采样部分替换为空洞卷积，减少下采样过程中的信息损失；
[0026]步骤四：训练模型，用第一种数据集训练YOLOv5网络模型，第二种数据集训练U
‑
Net网络模型；
[0027]步骤五：算法运行：将训练好的模型输出成.pt格式的权重文件，将西瓜图片作为YOLOv5模型的输入，得到西瓜位置和果柄位置，以果柄位置为中心，划分出ROI区域，作为U
‑
Net模型的输入，实现瓜藤轮廓的分割；通过这两步算法，最终得到西瓜位置、西瓜大小、瓜藤切割点和瓜藤的轮廓信息。
[0028]实例：一种西瓜及其瓜藤识别检测方法，实施过程包括以下步骤：
[0029]步骤一、采集西瓜图像：在某西瓜种植基地，用相机拍摄不同角度和光照环境下的西瓜图片共3000张，其中包含果柄的西瓜近距离图片不少于1000张，用于训练U
‑
Net模型；
[0030]步骤二、制作西瓜数据集：将采集到的图像进行数据增强，包括图片翻转、平移、缩放和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种西瓜及其瓜藤识别检测方法，其特征在于，所述方法包括以下步骤：步骤一：采集西瓜图像，利用相机在西瓜大棚和西瓜地中采集不同时段、不同角度的西瓜图像；步骤二：制作西瓜数据集，第一种是用于训练YOLOv5算法的数据集，需要不同角度和距离的图像；第二种是用于训练U
‑
Net算法的数据集，需要包含西瓜果柄的西瓜近景图像；数据集的标注过程为：第一批数据集是通过矩形框标出西瓜及其瓜藤的位置；第二批数据集需要用多边形将西瓜瓜藤的轮廓框选出来；步骤三：构建两个算法模型：需要构建YOLOv5网络模型和U
‑
Net网络模型，针对西瓜藤轮廓分割的需求，对U
‑
Net网络模型进行优化，将其特征提取网络部分替换为ResNet
‑
50，减小模型的大小和运算耗时，并将下采样部分替换为空洞卷积，减少下采样过程中的信息损失；步骤四：训练模型，用第一种数据集训练YOLOv5网络模型，第二种数据集训练U
‑
Net网络模型；步骤五：算法运行：将训练好的模型输出成.pt格式的权重文件，将西瓜图片作为YOLOv5模型的输入，得到西瓜位置和果柄位置，以果柄位置为中心，划分出ROI区域，作为U
‑
Net模型的输入，实现瓜藤轮廓的分割，得到西瓜位置、西瓜大小、瓜藤切割点和瓜藤的轮廓信息。2.如权利要求1所述的一种西瓜及其瓜藤识别检测方法，其特征在于，所述步骤二中，将采集到的图像进行数据增强，包括...

【专利技术属性】
技术研发人员：杨庆华，曾翰喜，王志杰，荀一，王志恒，都明宇，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：