一种基于高效聚合网络的杨梅果实识别方法技术

本发明专利技术提供了一种基于高效聚合网络的杨梅果实识别方法，属于图像识别领域，提出C3ELAN

【技术实现步骤摘要】
一种基于高效聚合网络的杨梅果实识别方法


[0001]本专利技术属于深度学习图像处理领域，涉及一种基于高效聚合网络的杨梅果实识别方法。

技术介绍

[0002]随着我国农业技术不断发展，传统水果采摘作业逐渐面临人工成本上涨，劳动力短缺等问题，以往的人工采收模式已经很难满足现代农业的需求，同时，随着机器人技术的快速发展与普及，高性能机械臂被设计用来替代人工从事沉重、单调的劳作，它的研究与应用将会使水果的收获效率得到极大提高。但是，由于果树枝叶茂盛，果实遮挡严重，导致机器人无法准确识别和定位果实，增加了机器人作业难度，进而影响了机器人的效率。目前，我国农业采摘机器人仍面临着果品识别和定位精度低、速度慢的难题，如何提高采收机器人的识别精度和速度，对我国果品产业的发展具有重要意义。
[0003]近年来，卷积神经网络技术的快速发展为果实检测算法提供了一种新的思路，该算法相较于传统特征提取方法有着更强的自我学习能力，能够提取到更加抽象的特征以及对复杂环境更强的适应性。尽管SSD,Faster RCNN网络已经取得了很好的识别效果，但是它的神经网络结构比较复杂，实时检测的速度比较慢，不具有很强的实用性。此外，采摘机器人的工作效率与目标检测网络的优劣有一定的关系。目前，农业采摘机器人识别果实存在以下难点：(1)自然环境光照复杂，不同光照角度下的图像质量变化差异大；(2)在自然条件下，果实生长状态多样、随机分布且相互重叠或被枝叶遮挡。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于高效聚合网络的杨梅果实识别方法，解决传统目标检测模型易受复杂背景的影响、对遮挡和重叠严重的果实漏检和误检，使用基于Yolov5网络改进后的C3ELAN
‑
YOLO，在兼顾检测速度的同时提高检测精度，能够准确识别复杂环境下的杨梅果实。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于高效聚合网络的杨梅识别方法，包括以下步骤：
[0007]步骤1、利用Labeling模块对采集到的杨梅图像进行标注并生成txt标签文件；
[0008]步骤2、利用Imgaug模块对带有标签的数据集进行数据增强，每生成一张图片都有50％的概率出现随机平移、高斯模糊、随机对比度、图像随机旋转、运动模糊、缩放模糊和飞溅，7种图像变换方式。这种图像变换的随机性将产生上万种图像变换方式。
[0009]步骤3、采用改进的Yolov5作为杨梅果实目标检测的主体算法，将YOLOv5骨干网络的C3模块替换为C3ELAN模块；
[0010]步骤4、将YOLOv5中SPPF模块加入5
×
5、9
×
9、13
×
13的平均池化层；
[0011]步骤5、调整YOLOv5相关文件中的参数，图像输入尺寸为640像素
×
640像素，batch size大小为8,最大迭代次数300，初始学习率为0.01，余弦退火超参数为0.2，权重衰减系数
为0.0005；
[0012]步骤6、运行train文件训练果实数据集，在训练完成后停止训练并获取网络训练的权重；
[0013]步骤7、采用训练完成的C3ELAN
‑
YOLO网络模型即可完成采摘果实的识别。
[0014]所述步骤2中，所使用的随机平移具体可表示为：
[0015]Y1＝(2x1‑
1)
×
64
[0016]其中，Y1为图片平移的像素大小；x1为服从Beta(0.5,0.5)的随机数。
[0017]图像随机旋转角度服从正态分布,运动模糊、缩放模糊和飞溅是模拟相机在运动过程中图像产生的模糊以及镜头出现的水滴等污渍的遮挡。
[0018]所述步骤3中，采用改进的Yolov5作为杨梅果实目标检测的主体算法，其骨干网络包含Conv、C3与SPPF模块，将ELAN模块结构与C3模块相结合，组成C3ELAN模块。
[0019]所述步骤4中，在SPPF模块中加入5
×
5、9
×
9、13
×
13的平均池化层，并将平均池化、原始特征图以及5
×
5、9
×
9、13
×
13最大池化层做拼接，保留目标果实整体数据特征。
[0020]与现有技术相比，采用上述技术方案的有益效果为:本专利技术解决了在复杂环境下传统目标检测模型易受复杂背景的影响、对遮挡和重叠严重的果实的漏检和误检，提出了一种基于Yolov5的C3ELAN
‑
YOLO网络模型，在原有Yolov5网络基础上对骨干网络进行改进，将C3模块替换为具有高效聚合网络的C3ELAN模块，提升C3ELAN
‑
YOLO网络模型特征提取能力与上下文语义信息表征能力。另外将Yolov5网络模型中SPP模块替换为SPPF模块并加入5
×
5、9
×
9、13
×
13的平均池化层，保留目标果实整体数据特征。C3ELAN
‑
YOLO网络模型即可以保证传统YOLOv5网络检测的速度，又提升了网络模型的检测精度，更具有实用性。
附图说明
[0021]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：
[0022]图1为本专利技术提出基于高效聚合网络的杨梅果实识别方法流程图；
[0023]图2为本专利技术提出C3ELAN
‑
YOLO网络模型结构图；
[0024]图3为本专利技术C3模块和改进的C3ELAN结构原理图；
[0025]图4为本专利技术SPP模块和改进的SPPF结构原理图；
[0026]图5为本专利技术原始杨梅图像示意图与数据增强后杨梅图像示意图；
[0027]图6、7为本专利技术C3ELAN
‑
YOLO网络模型与Yolov5网络模型骨干网络特征提取对比图。
具体实施方式
[0028]以下通过具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所阐述的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0029]如图1、4所示，本专利技术提出了一种基于高效聚合网络的杨梅果实识别方法，包括以
下步骤：
[0030]步骤1、利用Labeling模块对采集到的杨梅图像进行标注，并生成txt标签文件；
[0031]步骤2、利用Imgaug模块对带有标签的数据集进行数据增强，每生成一张图片都有50％的概率出现随机平移、高斯模糊、随机对比度、图像随机旋本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高效聚合网络的杨梅果实识别方法，其特征在于，包括以下步骤：步骤1、利用Labeling图像标注工具对采集到的杨梅图片进行标注并生成txt标签文件；步骤2、利用Python中Imgaug图像增强库对带有标签的数据集进行数据增强，每生成一张图片都有50％的概率出现随机平移、高斯模糊、随机对比度、图像随机旋转、运动模糊、缩放模糊和画面出现雨水遮挡，提高了数据集的多样性。步骤3、采用改进的Yolov5作为杨梅果实目标检测的主体算法，将YOLOv5骨干网络的C3模块替换为C3ELAN模块；步骤4、将YOLOv5中SPP模块替换为SPPF模块并加入5
×
5、9
×
9、13
×
13的平均池化层；步骤5、调整YOLOv5相关文件中的参数，图像输入尺寸为640像素
×
640像素，batchsize大小为8,最大迭代次数300，初始学习率为0.01，余弦退火超参数为0.2，权重衰减系数为0.0005；步骤6、运行train文件训练果实数据集，在训练完成后停止训练并获取网络训练的权重；步骤7、采用训练完成的C3ELAN
‑
YOLO网络模型即可完成采摘果实的识别。2.根据权利要求...

【专利技术属性】
技术研发人员：丛锦玲，郭孝天，曾明军，陈洪秋锦，闫琴，陈卓，曹琨，
申请(专利权)人：石河子大学，
类型：发明
国别省市：