【技术实现步骤摘要】
本专利技术涉及基于深度学习的黄瓜自动采摘目标检测方法。
技术介绍
1、深度学习是机器学习和人工智能研究的最新趋势之一。它也是当今最流行的科学研究趋势之一。深度学习方法为计算机视觉和机器学习带来了革命性的进步。新的深度学习技术正在不断诞生，超越最先进的机器学习甚至是现有的深度学习技术。近年来，全世界在这一领域取得了许多重大突破。深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。它通过多层的神经网络，学习样本数据中的内在规律和表现层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助，从而自主获取信息的学习过程。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的成果，远远超过先前相关技术。深度学习的应用领域在近年来不断被拓展，且应用深度不断加深，目前已在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术以及其他相关领域都取得了很多成果。因此，探寻深度学习更多的应用场景，无论是对推动人工智能的发展，还是加快前沿计算机技术参与实际生产的进程都有十分积极的意义。
2、近年来，深度学习在农业领域的应用越来越广泛。相比机器学习，深度学习能更有效地提取图像特征进行分类识别，更好地支持农业自动化发展。黄瓜是果蔬产业中生产规模较大的品种，为中国各地夏季主要菜蔬之一，具有较大的供求市场。目前，黄瓜种植、采摘等管理主要是依靠人工操作，这极大地限制了
技术实现思路
1、本专利技术的目的在于克服现有的缺陷而提供的基于深度学习的黄瓜自动采摘目标检测方法，通过调整yolov3(一种多尺度目标检测算法)算法模型的参数，进而达到更好的检测效果。
2、实现上述目的的技术方案是：
3、基于深度学习的黄瓜自动采摘目标检测方法，包括：
4、步骤s1，构建黄瓜果实图像数据集，将数据集划分为训练集、验证集和测试集；
5、步骤s2，对图像数据集进行预处理；
6、步骤s3，构建yolov3算法模型；
7、步骤s4，训练yolov3算法模型，并进行参数的调整；
8、步骤s5，利用训练后的yolov3算法模型检测黄瓜果实图像，输出检测结果，即果实位置。
9、优选的，所述步骤s1中，数据集是通过在晴天和阴天的08:00—18:00，在顺光、逆光及侧光光照情况下，拍摄环境在果实遮挡、密集以及重叠情况下，并按照单一果实、多果实、密集果实进行采集。
10、优选的，所述步骤s2包括：
11、步骤s21，准备标注好的黄瓜果实图像数据集、标注框类别的汇总、预测特征图的anchor(预设框)框集合作为模型输入参数；
12、步骤s22，输入图像统一缩放到416×416，通过随机平移、旋转、裁剪、和添加噪声对数据进行增强处理。
13、优选的，所述步骤s4包括：
14、步骤s41，预训练yolov3算法模型的权重及上述参数输入网络模型；
15、步骤s42，yolov3算法模型通过边界框的k-means(硬聚类算法)聚类，产生3个尺度的特征图，每个特征图3个anchor框，共9个框；
16、步骤s43，根据预测结果计算损失函数值，对网络权重使用反向传播和adam作为优化器的梯度下降算法进行调整，拟合输入与输出之间的关系；
17、步骤s44，在训练的过程中，不断保存每个epoch(完成一次前向计算和反向传播的过程)完成后的模型权重，直到训练完成。
18、优选的，所述步骤s4中，训练yolov3算法模型，采用k-折交叉检验，将采集的数据划分为10个子集，每次将一个子集作为测试集，另外的子集作为训练集，进行10个批次的训练。
19、优选的，所述步骤s4中，对训练好后的yolov3算法模型的运算速度和分类效果进行评估，采用连续多次运行，然后取均值来计算模型的速度；
20、若速度未达到应用要求，则通过压缩参数或减少层数对yolov3算法模型结构进行调整；
21、若模型分类准确度未达到预期，则通过正则化、使用新的权重初始化方法、弃权技术或调整学习率对进yolov3算法模型参数调整。
22、优选的，所述步骤s5包括：
23、步骤s51，将调整为416×416尺寸的图像作为输入图像，提取出52×52×256、26×26×512及13×13×1024三种尺度特征层；
24、步骤s52，利用darknet-53(一种网络结构)特征提取网络获得的3个尺度特征层进行fpn(特征金字塔)层构建；
25、步骤s53，将高层特征2次上采样至与低层特征相同大小，并通过拼接，完成不同尺寸的特征层融合；
26、步骤s54，将融合后获得的3个加强特征输入yolo head(分类头)进行通道数调整，最终独立输出的预测结果，维度为
27、优选的，所述步骤s54中，
28、输出的3种不同尺度特征图，其中，s×s代表将特征图划分成不同尺度的相同大小单元格；
29、yolov3算法模型所用先验框数量为3种，其初始尺寸大小通过聚类的方式获得，对应的每个单元格中3个预测框会输出5个以上的参数，其中，(x,y)表示目标预测框的位置参数，(w,h)表示目标框的宽度、高度信息，为置信度值，用以表征第i个单元格中第j个预测框是否含有目标物体，置信度值计算公式为：
30、
31、其中，pr(object)表示检测目标存在的概率；代表预测框与真实框之间的iou值，表示前后二者之间的交并比，其计算公式为：
32、
33、其中，area表示所在框的面积；
34、class表示检测的所有类别中每一种类别的概率；
35、最终输出的3个特征层尺度分别为(13×13×255)、(26×26×255)、(52×52×255)。
36、优选的，所述步骤s54中，通过置信度定义得到每个图像网格中的类别置信度得分，然后将低于阈值分数的检测框过滤交，使用非极大值抑制算法处理剩下的检测框，并在预测对象类别时，通过l ogi st ic回归模型代替softmax逻辑回归模型。
37、本专利技术的有益效果是：本专利技术通过构建yolov3算法模型，并训练yolov3算法模型，调整模型参数，通过调整算法的精度和速度，对复杂背景下的黄瓜果实进行果实定位，并提升了鲁棒性和泛化能力。
本文档来自技高网...【技术保护点】
1.基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤S1中，数据集是通过在晴天和阴天的08:00—18:00，在顺光、逆光及侧光光照情况下，拍摄环境在果实遮挡、密集以及重叠情况下，并按照单一果实、多果实、密集果实进行采集。
3.根据权利要求1所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤S2包括：
4.根据权利要求3所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤S4包括：
5.根据权利要求4所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤S4中，训练YOLOv3算法模型，采用K-折交叉检验，将采集的数据划分为10个子集，每次将一个子集作为测试集，另外的子集作为训练集，进行10个批次的训练。
6.根据权利要求5所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤S4中，对训练好后的YOLOv3算法模型的运算速度和分类效果进行评估，采用连续多次运行，然后取均值
7.根据权利要求6所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤S5包括：
8.根据权利要求7所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤S54中，
9.根据权利要求8所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤S54中，通过置信度定义得到每个图像网格中的类别置信度得分，然后将低于阈值分数的检测框过滤交，使用非极大值抑制算法处理剩下的检测框，并在预测对象类别时，通过logistic回归模型代替softmax逻辑回归模型。
...【技术特征摘要】
1.基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤s1中，数据集是通过在晴天和阴天的08:00—18:00，在顺光、逆光及侧光光照情况下，拍摄环境在果实遮挡、密集以及重叠情况下，并按照单一果实、多果实、密集果实进行采集。
3.根据权利要求1所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤s2包括：
4.根据权利要求3所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤s4包括：
5.根据权利要求4所述的基于深度学习的黄瓜自动采摘目标检测方法，其特征在于，所述步骤s4中，训练yolov3算法模型，采用k-折交叉检验，将采集的数据划分为10个子集，每次将一个子集作为测试集，另外的子集作为训...
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。