一种基于改进型制造技术

本发明专利技术属于目标检测领域，目的是提供一种基于改进型

【技术实现步骤摘要】
一种基于改进型YOLOv5的猕猴桃授粉花朵识别方法


[0001]本专利技术属于目标检测领域，特别是
Ov5
的猕猴桃授粉花朵识别方法
。

技术介绍

[0002]猕猴桃为雌雄异株藤本植物，需通过雄蕊的产生的花粉进行异花授粉，自然种植环境下其雌雄比例一般为1：
8。
猕猴桃仅有3‑5天的短暂花期，而且猕猴桃对授粉效果的要求非常严格，花期授粉效果的好坏直接影响到花粉的活力，花粉活力的强弱又直接影响到花粉萌发和受精坐果
。
[0003]猕猴桃花朵与花蕊在不同倾斜角度下相对位置会发生变化，当无倾斜角度时，花蕊位于猕猴桃中间位置，四周花瓣分布均匀
。
当存在一定倾斜角度时，猕猴桃花朵及花蕊呈椭圆型，花蕊一侧花瓣较多，一侧由于遮挡原因花瓣较少
。
通过对猕猴桃花朵的颜色及形状特征分析，可发现猕猴桃花朵会出现重叠情况，同时由于具有一定的倾斜角度，猕猴桃花朵的识别精度会因此降低
。
[0004]目前我国生产上多采用人工点粉来辅助授粉，但人工授粉劳动强度大，工作效率低，劳动力成本高；同时部分使用电动授粉器来辅助授粉
。
在劳动力减少，人工成本逐年提高的情况下，人工作业授粉缺乏稳定性和经济性
。
因此有必要研发一种能够在猕猴桃花朵重叠与倾斜情况下，找到最佳授粉点的方式，将目标检测技术与授粉机器人结合不仅可以降低成本，节约时间，同时可以实现去人工化，智能化的授粉作业
。
[0005]目前有多种目标检测算法，如
YOLO v5、MobileNet、SSD、Faster
‑
RCNN、VGG、ResNet
等
。
与
YOLO v5
相比，
MobileNet
是一种轻量级的深度神经网络，参数更少，精度更高，可以用更少的计算时间生成所需的特征图，但由于卷积层数较少，其特征提取能力非常不足
。SSD
模型速度快，但对小对象的识别性能较差
。Faster
‑
RCNN
使用
RPN
生成候选区域，然后通过
Rol pooling
提取特征，因此准确率相对较高，处理速度较快，但其时间复杂度高，实际应用困难，训练和推理时间长
。
通过卷积级数方法得到的
VGG
模型参数较少，模型稳定，易于移植，但是由于全连接点较多，网络结构较深，训练速度较慢
。
在
ResNet
网络中加入残差块，有助于训练过程中梯度的反向传播，但深度残差网络存在大量冗余
。
综上所述，
YOLO v5
模型可以显著分离特征，增强网格特征融合，保证更快的训练速度
。

技术实现思路

[0006]本专利技术提供了一种基于改进型
YOLOv5
的猕猴桃授粉花朵识别方法，以解决由于猕猴桃花朵重叠与具有一定倾斜角导致难以识别，实现充分授粉的问题
。
[0007]为了实现上述目的，本专利技术采用的技术方案为：一种改进型
YOLOv5
的猕猴桃授粉花朵识别方法，具体包括以下步骤：
[0008]步骤
S1
：使用
RGB
‑
D
实感相机在猕猴桃种植园下午采集不同花朵数量，不同角度，不同重叠情况下的猕猴桃花朵图片，以便增加数据的多样性；
[0009]步骤
S2
：使用
Python
脚本对采集到的图像数据进行数据增强，包括暗度
、
亮度
、
高
斯噪声和镜像等方式，突出显示图像的局部特征，将不同物体的特征进行有效的区分，提高数据集的数量从而增强神经网络模型的鲁棒性；
[0010]步骤
S3
：使用开源图像标注软件
Labelimg
对数据集中的猕猴桃花朵进行标注，并将标注后的结果保存为
xml
格式文件
。
使用
Python
脚本将所有标注好的猕猴桃花朵图像按7：2：1的比例分为训练集
、
验证集和测试集；
[0011]步骤
S4
：在
YOLOv5
模型中的
K
‑
means
聚类数据算法更改成
K
‑
means++
算法，以减小由于随机选择聚类中心点对锚框选取大小造成的影响，能够选择出更优的初始聚类中心，并且提高算法的速度；
[0012]步骤
S5
：在
YOLOv5
模型中添加了
CBMA
注意力机制，以提高模型对猕猴桃花特征的提取精度；
[0013]步骤
S6
：将
YOLOv5
中
GIOU
‑
loss
损失函数更改成
CIOU
‑
loss
损失函数；
[0014]步骤
S7
：在
detect
函数中加入花朵角度计算模块；由于花朵的倾斜角度与识别框的位置存在一定的关联，通过计算分析花朵角度计算模块，可得到花朵倾斜角度
、
花蕊中心和花朵中心之间的位置关系；
[0015]步骤
S8
：在
detect
函数中加入重叠花朵情况判断及授粉点寻找模块，根据目标框与预测框的交并比判断出花朵重叠情况，从而依据不同重叠情况确定授粉点坐标；
[0016]步骤
S9
：利用
PyCharm
平台在台式计算机上实现猕猴桃花朵识别模型的训练和测试
。
初始学习率设置为
0.032
，
IOU
阈值设置为
0.01
，模型训练时使用8个样本作为批处理单元，训练轮数为
200
轮；模型训练后得到最优的训练权重参数文件
。
利用最优权重参数文件对猕猴桃花图片进行识别，并根据识别场景对识别模型的性能进行评价
。
[0017]所述的步骤
S6
中，
YOLOv5
模型采用的
CIOU
‑
loss
损失函数表示为：
[0018][0019]其中：
IOU
为目标框和预测框两个区域的交并比；
ρ
为目标框和预测框两个中心点之间的欧式距离；
b
为预测框的中心点；
b
gt
为真实框的中心点；
c
为能够同时包含预测框和真实框的最小闭包区域的对角线距离；
α1为权重参数；
v本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种改进型
YOLOv5
的猕猴桃授粉花朵识别方法，具体包括以下步骤：步骤
S1
：使用相机在猕猴桃种植园下午采集不同花朵数量，不同角度，不同重叠情况下的猕猴桃花朵图片，以便增加数据的多样性；步骤
S2
：使用
Python
脚本对采集到的图像数据进行数据增强，包括暗度
、
亮度
、
高斯噪声和镜像方式，突出显示图像的局部特征，将不同物体的特征进行有效区分，提高数据集的数量从而增强神经网络模型的鲁棒性；步骤
S3
：使用开源图像标注软件
Labelimg
对数据集中的猕猴桃花朵进行标注，并将标注后的结果保存为
xml
格式文件；使用
Python
脚本将所有标注好的猕猴桃花朵图像分为训练集
、
验证集和测试集；步骤
S4
：在
YOLOv5
模型中的
K
‑
means
聚类数据算法更改成
K
‑
means++
算法，以便能够选择出更优的初始聚类中心，并且提高算法的速度；步骤
S5
：在
YOLOv5
模型中添加了
CBMA
注意力机制，以提高模型对猕猴桃花特征的提取精度；步骤
S6
：将
YOLOv5
中
GIOU
‑
loss
损失函数更改成
CIOU
‑
loss
损失函数；步骤
S7
：在
detect
函数中加入花朵角度计算模块；通过计算分析花朵角度计算模块，可得到花朵倾斜角度
、
花蕊中心和花朵中心之间的位置关系；步骤
S8
：在
detect
函数中加入重叠花朵情况判断及授粉点寻找模块，根据目标框与预测框的交并比判断出花朵重叠情况，从而依据不同重叠情况确定授粉点坐标；步骤
S9
：利用
PyCharm
平台在台式计算机上实现猕猴桃花朵识别模型的训练和测试
。2.
根据权利要求1所述的改进型
YOLOv5
的猕猴桃授粉花朵识别方法，其特征在于：所述的步骤
S6
中，
YOLOv5
模型采用的
CIOU
‑
loss
损失函数为：其中：
IOU
为目标框和预测框两个区域的交并比；
ρ
为两个中心点之间的欧式距离；
b
为预测框的中心点；
b
gt
为真实框的中心点；
c
为能够同时包含预测框和真实框的最小闭包区域的对角线距离；
α1为权重参数；
v
为衡量长宽比一致性的参数
。3.
根据权利要求2所述的改进型
YOLOv5
...

【专利技术属性】
技术研发人员：欧俊朗，童俊华，熊宵，商凯源，周海丽，孟鹏豪，马锃宏，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：