蟹味菇识别方法技术

本申请涉及一种蟹味菇识别方法

【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
、
形状以及纹理，并通过
SVM
分类器进行分类，最终在双孢蘑菇褐斑病分类识别上精度达到
94
％
。
然而在对单颗食用菌进行数量统计识别问题上研究相对较少，在过去，对单颗蟹味菇的数量统计往往采用人工观察计数等方式，效率低
、
准确率差，同时由于蘑菇在生长过程中，会出现相互遮挡的问题，因此识别难度相对较大
。

技术实现思路

[0003]基于此，提供一种蟹味菇识别方法
、
装置
、
计算机设备和存储介质，能够解决对蟹味菇识别时因相互遮挡导致的数量统计效率低
、
准确率差的技术问题
。
[0004]一方面，提供一种蟹味菇识别方法，所述方法包括：
[0005]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；
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]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
。
[0011]在其中一个实施例中，所述蟹味菇图像获取步骤包括：
[0012]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
。
[0013]在其中一个实施例中，所述图像预处理步骤包括：
[0014]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；
[0015]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；
[0016]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
。
[0017]在其中一个实施例中，所述划分数据集步骤包括：
[0018]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
。
[0019]在其中一个实施例中，所述设置网络模型参数步骤包括：
[0020]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；
[0021]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；
[0022]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
(Batch)、
工作线程数
(workers)、
优化器
(optimizer)、
学习率
、
最大的迭代次数
。
[0023]在其中一个实施例中，所述设置网络模型参数步骤中，设置批处理个量为2‑
32
，工作线程数为8或
16
，优化器为随机梯度下降
(SGD)
优化器，图像的宽度及高度最大值均为
640
，学习率为
0.01
，最大的迭代次数为
500
‑
1000。
[0024]在其中一个实施例中，所述添加
CBAM
注意力机制步骤包括：
[0025]设置
CBAM
注意力机制步骤，其为设置
CBAM
注意力机制由通道注意力模块
(CAM)
和空间注意力模块
(SAM)
构成，其中所述通道注意力模块
(CAM)
用于在训练
YOLOv8
模型过程中关注图像的前景以及全局上下文和两级注意力
(gt
区域
)
，所述空间注意力模块
(SAM)
用于在训练
YOLOv本文档来自技高网...

【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：