【技术实现步骤摘要】
一种番茄采摘机器人的植株与果实检测算法
[0001]本专利技术涉及机器视觉领域，特别涉及一种番茄采摘机器人的植株与果实检测算法。
技术介绍
[0002]随着中国人口老龄化的加剧导致农业劳动力的短缺和劳动力成本的上升。为了解决这个问题，农业机器人正在被广泛关注。采摘机器人的设计初衷就是通过各种传感器感知农业环境，获取感知信息，代替人执行采摘操作。虽然在农业领域中采摘机器人有着可以预见的未来，但是目前由于各种技术限制还不能与人工采摘相竞争。研究发现提高视觉引导控制性能，有利于突破现有应用瓶颈。
[0003]番茄采摘机器人的视觉系统面临两个艰巨的任务，即番茄姿态的准确获取以及茎杆位置的准确获取。番茄姿态和茎杆位置可以帮助确定机器人末端执行器姿态实现无碰撞采摘。全面的视觉信息获取对番茄机器人的研发具有重要意义。在农业领域现有视觉算法主要有以下几类：1)仅实现目标检测算法；2)仅实现目标检测和语义分割；3)仅实现姿态检测。没有算法能高效全面的完成番茄目标检测、姿态检测和茎杆语义分割。
[0004]而卷积神经网络有较强的...
【技术保护点】
【技术特征摘要】
1.一种番茄采摘机器人的植株与果实检测算法，包括以下步骤：1
‑
1)采集番茄图像；1
‑
2)将番茄图像输入多任务卷积神经网络模型进行处理；1
‑
3)在番茄图像上得到番茄的边界框、关键点、茎杆；所述多任务卷积神经网络模型的建立方法为：2
‑
1)构建数据集：构建番茄关键点数据集和番茄茎杆数据集；2
‑
2)数据预处理：将番茄关键点数据集和番茄茎杆数据集进行归一化处理和数据增强操作；2
‑
3)选择YOLO V5s作为基础网络模型；基础网络模型的Head网络的检测分支中加入关键点预测参数以实现边界框回归与关键点预测，在基础网络模型的Head网络中加入语义分割模块以实现番茄茎杆语义分割；基础网络模型的第16层的拼接层依次通过卷积层、上采样层、C3模块、卷积层、上采样层、卷积层、C3模块、卷积层、上采样层后连接语义分割模块；2
‑
4)确定模型训练超参数，构建模型损失函数，以F1作为目标检测性能指标，以mIoU作为语义分割性能指标，以dlmk作为关键点性能指标，将数据集输入基础网络模型进行训练和测试，得到多任务卷积神经网络模型。2.根据权利要求1所述的一种番茄采摘机器人的植株与果实检测算法，其特征在于：所述多任务卷积神经网络模型的建立方法还包括：2
‑
5)对基础网络模型进行通道剪枝：对网络模型进行稀疏训练、通道修剪、微调模型，使模型在保持模型精度的情况下，减少模型权重，加快检测速度。3.根据权利要求2所述的一种番茄采摘机器人的植株与果实检测算法，其特征在于：所述步骤2
‑
4)中，所述F1公式为：其中，TP表示真阳性，FP表示假阳性，FN表示假阴性；所...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。