【技术实现步骤摘要】
蟹味菇识别方法、装置、计算机设备和存储介质
[0001]本申请涉及图像识别
,特别是涉及一种蟹味菇识别方法
、
装置
、
计算机设备和存储介质
。
技术介绍
[0002]蟹味菇
(Hypsizygus marmoreus)
,作为一种具有高营养价值和独特口感的食用菌,已经在许多国家成为重要的农业和食品工业产品
。
然而,在蟹味菇的生产和质量管理过程中,对每一颗蟹味菇进行快速
、
精准的识别检测,能够及时预估蟹味菇的产量,提高生产管理水平
。
国内外学者在对食用菌不同种类识别分类等问题上做了大量的研究,罗奇等,采用一种降梯度卷积训练模型,改善了神经网络在训练过程中的空间冗余等问题,提高了对蘑菇图像的识别分类性能
。
沈若兰等,提出了一种基于
Xception
与
ResNet50
网络的识别模型,对九类蘑菇图像进行识别分类,精度分别达到
93.46
%
、95.10
%
。
肖杰文等,提出了一种基于轻量级
ShuffleNetV2
网络的深度学习模型,实验表明相较于其他
CNN
模型,改进后模型在蘑菇分类识别上精度达到
93.55
%
。
倪博文等,提出了一种基于多特征融合的双孢蘑菇褐斑病分类与识别的方法
。
该方法融合双胞蘑菇表面的颜色 ...
【技术保护点】
【技术特征摘要】
1.
一种蟹味菇识别方法,其特征在于,包括:蟹味菇图像获取步骤,其为在适合的拍摄环境下调整光源,然后进行对蟹味菇拍摄采集蟹味菇图像;图像预处理步骤,其为对采集的蟹味菇图像中的蟹味菇进行标注,对标注的蟹味菇设置锚框尺寸参数,并分类为训练集
、
验证集与测试集;设置网络模型参数步骤,其为对
YOLOv8
模型设置输入图像尺寸大小及训练参数数值;添加
CBAM
注意力机制步骤,其为在所述
YOLOv8
模型的骨干网
Backbone
中添加
CBAM
注意力机制;训练网络模型步骤,其为将训练集输入至添加
CBAM
注意力机制的
YOLOv8
模型中进行迭代训练直至收敛,采用验证集验证模型精度满足预设阈值后形成训练后的
YOLOv8
模型;识别精度检测步骤,其为运用训练后的
YOLOv8
模型对测试集中待检测的蟹味菇图像依次进行检测,并得到识别精度结果
。2.
根据权利要求1所述的蟹味菇识别方法,其特征在于,所述蟹味菇图像获取步骤包括:将采集的蟹味菇图像按照
Pascal VOC
数据集的格式进行命名,同时创建存放图像标注文件
、
存放蟹味菇图像文件
、
存放图像参数设置信息的三个文件夹
。3.
根据权利要求1所述的蟹味菇识别方法,其特征在于,所述图像预处理步骤包括:图像标记步骤,其为在采集的蟹味菇图像中,运用图像标注工具
LabelImg
对图像中的蟹味菇进行标记,并分类为训练集
、
验证集与测试集;设置蟹味菇图像的锚框参数步骤,其为使用
K
‑
means
算法进行聚类得到适合蟹味菇数据集使用的锚框尺寸参数值;划分数据集步骤,其为将蟹味菇数据集划分为训练集
、
验证集与测试集
。4.
根据权利要求3所述的蟹味菇识别方法,其特征在于,所述划分数据集步骤包括:训练集
、
验证集与测试集的占比分别为
70%、20%、10%
,训练集
、
验证集与测试集之间无交叉
。5.
根据权利要求1所述的蟹味菇识别方法,其特征在于,所述设置网络模型参数步骤包括:选取
YOLOv8
模型步骤,其为在
YOLOv8
模型中的
YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x
版本中选取一个;设置输入图像尺寸大小步骤,其为设置输入选取的
YOLOv8
模型的图像的宽度及高度最大值;设置训练参数数值步骤,其为对选取的
YOLOv8
模型设置训练参数数值,所述训练参数包括训练权重
、
批处理个量
、
工作线程数
、
...
【专利技术属性】
技术研发人员:林宗缪,胡冬,王子辰,
申请(专利权)人:上海市质量监督检验技术研究院,
类型:发明
国别省市:
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。