一种基于神经网络和模糊决策的果树剪枝方法及系统技术方案

本发明专利技术涉及果树剪枝技术领域，尤其涉及一种基于神经网络和模糊决策的果树剪枝方法及系统，包括：通过AR眼镜采集果树枝干图像；对果树枝干图像进行对暗光增强和曝光纠正；采用ShuffleNetV2的基本单元及网络结构，卷积层部分融入ResNet101的层级分割，对图像进行枝干分割，输出影响果树剪枝决策的特征；将果树剪枝决策的特征输入TSK模糊神经网络，输出枝条的类别。本发明专利技术克服了艰难的地形带来的影响，保证在地势险要的地方仍然能够正常作业，灵活完成AR智能识别剪枝点；还克服了一般深度学习神经网络模型需要大量训练集、计算量大、对计算机硬件要求高，识别精度不够高缺点。识别精度不够高缺点。识别精度不够高缺点。

【技术实现步骤摘要】
一种基于神经网络和模糊决策的果树剪枝方法及系统


[0001]本专利技术涉及果树剪枝
，尤其涉及一种基于神经网络和模糊决策的果树剪枝方法及系统。

技术介绍

[0002]在果实的生长周期中，需要进行修冠及整形这两个步骤，这两个步骤看似简单，却在果树的生长周期内，扮演举足轻重的角色，需要专业的技术和经验才能完成。
[0003]目前农业上虽有整形剪枝机器人的应用，但是都具有一定的局限性，采购及维护成本颇高，使用条件的及地形限制。
[0004]AR(增强现实)相关技术，能将虚拟的信息应用到真实世界，其在现实生活中被广泛应用到旅游和导览、娱乐和商业、装配和装修等领域，未来农业技术和AR交互技术必然会有良好的发展空间和前景。
[0005]深度学习算法发展迅速，但是其计算资源需求太大和内存消耗严重使得成本较高，而轻量化网络它能尽可能保证模型精度的前提下，降低模型的计算复杂度和空间复杂度，从而使得深度神经网络可以被部署在计算性能和存储空间有限的嵌入式边缘设备上。
[0006]Mask R
‑/>CNN是一个两阶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络和模糊决策的果树剪枝方法，其特征在于，包括以下步骤：步骤一、通过AR眼镜采集果树枝干图像；步骤二、对果树枝干图像进行对暗光增强和曝光纠正；步骤三、采用ShuffleNetV2的基本单元及网络结构，卷积层部分融入ResNet101的层级分割，对图像进行枝干分割，输出影响果树剪枝决策的特征；步骤四、将果树剪枝决策的特征输入TSK模糊神经网络，输出枝条的类别。2.根据权利要求1所述的基于神经网络和模糊决策的果树剪枝方法，其特征在于，暗光增强和曝光纠正是通过一个逆映射函数F,将sRGB图像映射到对应的raw
‑
RGB空间上，通过调整ISP过程中的关键参数，动态调整图像亮度。3.根据权利要求2所述的基于神经网络和模糊决策的果树剪枝方法，其特征在于，关键参数包括：gamma数值、白平衡和相关色彩矩阵。4.根据权利要求1所述的基于神经网络和模糊决策的果树剪枝方法，其特征在于，采用ShuffleNetV2的基本单元及网络结构，卷积层部分融入ResNet101的层级分割具体包括：六个卷积层，分别为1、9、12、69、9、1个卷积；其中，第六卷积层包含一个1x1卷积，用来混合通道特征，将特征图尺寸相同的层进行整合，将卷积层输出特征分成五个阶段。5.根据权利要求4所述的基于神经网络和模糊决策的果树剪枝方法，其特征在于，果树剪枝决策的特征包括：树枝纵向高度Δh，树枝径向长度Δr，树枝生长角度Δα，树枝平均直径树枝弯曲度ρ。6.根据权利要求1所述的基于神经网络和模糊决策的果树剪枝方法，其特征在于，步骤三还包括：将ShuffleNetV2
‑
ResNet结构的S3、S4中用于下采样模块的左侧分支3x3深度卷积替换成卷积核为3x3、扩张率为2的深度空洞卷积，左右分支步长均为2；将S5中下采样模块左侧分支也使用空洞卷积代替了原来的3x3卷积，左右分支步长均为1。7.根据权利要求1所述的基于神经网络和模糊决策的果树...

【专利技术属性】
技术研发人员：吕继东，王凌云，顾玉宛，孙晓琴，牛亮亮，邹凌，戎海龙，
申请(专利权)人：常州大学，
类型：发明
国别省市：