一种基于深度学习的荔枝果实识别方法技术

本发明专利技术公开了一种基于深度学习的荔枝果实识别方法，包括以下步骤

【技术实现步骤摘要】
一种基于深度学习的荔枝果实识别方法


[0001]本专利技术涉及计算机视觉
，具体为一种基于深度学习的荔枝果实识别方法
。

技术介绍

[0002]我国是荔枝种植大国，种植面积约为
810
万亩，
2022
年我国荔枝产量达
222.97
万吨
。
随着科学技术的发展，越来越多产业由人工生产转向机械化生产，农业也不例外
。
将人工智能技术引入到荔枝采摘工作中，可以实现荔枝的自动化采摘，从而帮助农民更好地管理荔枝果园，提高荔枝的品质和产量，减少荔枝的损失和浪费，增加农民的收入，同时也可以保护荔枝的生长环境和生物多样性
。
荔枝的识别技术作为荔枝采摘机器人的核心组成部分，主要负责在野外环境中识别出需要被采摘的荔枝，这是研发荔枝采摘机器人的重点和难点
。
[0003]现有的荔枝识别技术中尚且有许多待解决的问题：如仍缺乏大规模的自然环境下的荔枝数据集；同时，现有的荔枝识别技术一般局限于特定的场景，泛化能力较弱，因为在真实的荔枝生长环境中，常有果实重叠
、
枝叶遮挡
、
光照变化
、
荔枝成熟度不一致导致的荔枝的形状和颜色不固定等情况出现，这会对荔枝的识别精度造成影响
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的荔枝果实识别方法，以解决局限于特定的场景，泛化能力较弱，因为在真实的荔枝生长环境中，常有果实重叠<br/>、
枝叶遮挡
、
光照变化
、
荔枝成熟度不一致导致的荔枝的形状和颜色不固定等情况出现，这会对荔枝的识别精度造成影响的问题
。
[0005]为实现上述目的，本专利技术提供如下技术方案：包括以下步骤：
[0006]S1、
获取荔枝图像并作为样本图像；
[0007]S2、
对步骤
S1
获取的荔枝图像进行预处理；
[0008]S3、
对步骤
S2
预处理后的图像进行标注
、
构建荔枝数据集以及将数据集划分为训练集
、
验证集和测试集；
[0009]S4、
根据步骤
S3
中的数据集构建基于深度学习的荔枝识别模型；
[0010]S5、
将步骤
S3
中训练集的样本图像输入步骤
S4
中所构建的荔枝识别模型中，并训练荔枝识别模型；
[0011]S6、
将待识别图像输入到步骤
S5
中经过训练后的荔枝识别模型中，获得待识别图像的荔枝识别结果
。
[0012]优选的，所述步骤
S4
的荔枝识别模型由包括步骤
S3
的数据集以
YOLOv8
作为基础网络引入了
FasterNet
模块和注意力机制
EMA
的网络模型训练获得
。
[0013]优选的，所述步骤
S3
中荔枝数据集的样本图像所涵盖的荔枝包括未成熟的荔枝果实
、
半成熟的荔枝果实和完全成熟的荔枝果实
。
[0014]优选的，所述步骤
S2
中预处理过程为：
[0015]通过对步骤
S1
的样本图像进行几何变换类以及颜色变换类的数据增强，扩充所述荔枝数据集
。
[0016]优选的，所述几何变换类的数据增强包括但不限于水平翻转，所述颜色变换类的数据增强包括但不限于随机亮度变换
、
高斯模糊和添加高斯噪声
。
[0017]优选的，所述步骤
S3
的图像标注过程为：
[0018]人工对步骤
S2
预处理后的图像进行标注，其中数据集划分为训练集
、
验证集和测试集的比例依次为
7:2:1。
[0019]与现有技术相比，本专利技术的有益效果是：
[0020]1、
本专利技术相较于现有技术，首先构建了自然环境下荔枝数据集，旨在解决图像数据样本小的问题，然后引入
FasterNet
模块和注意力机制对
YOLOv8
网络模型进行改进，增强特征采集模块的特征提取能力
、
加强特征融合模块的融合效果，最终增强模型的检测精度和泛化能力以及鲁棒性能；最后，使用训练后的荔枝识别模型对荔枝进行识别，能够实现不同成熟阶段的荔枝的准确识别
。
本专利技术提出的荔枝识别方法在自然环境下的获得了较高的准确率，可为荔枝采摘机器人提供有效的识别荔枝方法
。
附图说明
[0021]图1为本专利技术一种基于深度学习的荔枝果实识别方法整体结构流程图；
[0022]图2为本专利技术一种基于深度学习的荔枝果实识别方法荔枝数据集中的荔枝图；
[0023]图3为本专利技术一种基于深度学习的荔枝果实识别方法中
FasterNet
结构图；
[0024]图4为本专利技术一种基于深度学习的荔枝果实识别方法中
EMA
模块结构图；
[0025]图5为本专利技术一种基于深度学习的荔枝果实识别方法中测试集的识别结果图
。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0027]请参阅图1‑5，本专利技术提供一种技术方案：包括以下步骤：
[0028]S1、
获取荔枝图像并作为样本图像；
[0029]S2、
对步骤
S1
获取的荔枝图像进行预处理，其中预处理过程为：
[0030]通过对步骤
S1
的样本图像进行几何变换类以及颜色变换类的数据增强，扩充荔枝数据集
。
[0031]进一步的，几何变换类的数据增强包括但不限于水平翻转，颜色变换类的数据增强包括但不限于随机亮度变换
、
高斯模糊和添加高斯噪声
。
[0032]S3、
对步骤
S2
预处理后的图像使用
LabelImg
标注软件进行标注，同时构建荔枝数据集以及将数据集划分为训练集
、
验证集和测试集，荔枝数据集的样本图像所涵盖的荔枝包括未成熟的荔枝果实
、
半成熟的荔枝果实和完全成熟的荔枝果实，其中图像标注过程为：
[0033]人工对步骤
S2
预处理后的图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的荔枝果实识别方法，其特征在于：包括以下步骤：
S1、
获取荔枝图像并作为样本图像；
S2、
对步骤
S1
获取的荔枝图像进行预处理；
S3、
对步骤
S2
预处理后的图像进行标注
、
构建荔枝数据集以及将数据集划分为训练集
、
验证集和测试集；
S4、
根据步骤
S3
中的数据集构建基于深度学习的荔枝识别模型；
S5、
将步骤
S3
中训练集的样本图像输入步骤
S4
中所构建的荔枝识别模型中，并训练荔枝识别模型；
S6、
将待识别图像输入到步骤
S5
中经过训练后的荔枝识别模型中，获得待识别图像的荔枝识别结果
。2.
根据权利要求1所述的一种基于深度学习的荔枝果实识别方法，其特征在于：所述步骤
S4
的荔枝识别模型由包括步骤
S3
的数据集以
YOLOv8
作为基础网络引入了
FasterNet
...

【专利技术属性】
技术研发人员：彭红星，张淇淇，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：