【技术实现步骤摘要】
本专利技术涉及图像识别的，尤其是涉及一种基于深度学习的梨花密度分级方法。
技术介绍
1、梨树是中国传统栽培的主要果树之一，在梨树的成花阶段，为了有效的进行管控，通常采用疏花的方式进行处理，现有的传统方法是使用人工的方式进行疏花，人工识别并进行疏花工作，或者使用机械疏花机进行辅助，国内现有机械疏花机多为旋转击打枝条与花朵，击打的位置和方向还是需要人工选择，但是人工对不同密度的梨花无法做到识别与分级，疏花过程只能按照固定方式或者运用过去的经验对梨花进行疏除，这种方式会导致疏花后梨花花朵保留率达不到农艺要求，进而影响后续的产量，会导致疏花机械市场接受能力下降，因此，提供了一种基于深度学习的梨花密度分级方法。
技术实现思路
1、本专利技术的目的是提供一种基于深度学习的梨花密度分级方法，能够对梨花进行密度分级，采集梨花图片并对目标检测模型进行训练，使用目标检测模型计算梨花图片的距离密度和点密度，使用距离密度和点密度计算梨花密度分类临界值，并结合专家经验对分类临界值进行调整，从而使用分类临界值能更准确的对梨花进行密度分级，通过梨花密度分级信息进而对后续的疏花作业起到指导作用。
2、为实现上述目的，本专利技术提供了一种基于深度学习的梨花密度分级方法，包括以下步骤：
3、s1：采集不同距离的梨花图像，形成梨花图像集，对梨花图像集使用labelimg对目标梨花进行最小外形标注，构建梨花数据集，梨花数据集包括训练集、验证集与测试集；
4、s2：搭建yolov7-es
5、s3：使用训练好的yolov7-es目标检测模型检测新采集的梨花图像，通过图像识别计算获取梨花图像中的距离密度和点密度；
6、s4：依据距离密度和点密度获取梨花图像的初始分级临界值，并对初始分级临界值进行优化，将优化后的分级临界值应用到梨花图像中获得梨花密度分级信息。
7、优选的，所述步骤s1中，采集梨花图像的方法是在距离目标梨花20cm、50cm与100cm处分别拍摄近距离、中距离与远距离不同品种的梨花图像。
8、优选的，所述步骤s1中，对梨花图像集使用labelimg对目标梨花进行最小外形标注，标注的信息包括梨花名称与梨花外框坐标信息。
9、优选的，所述步骤中s2中，搭建轻量化yolov7-es目标检测模型的具体过程如下：
10、在yolov7原有架构中增加小目标检测层；在head模块中加入simam注意力机制；将yolov7原本的ciou损失函数改进为focal eiou损失函数。
11、优选的，所述步骤s3中，计算梨花图像中规定区域内每一朵梨花与其相邻最近一朵梨花距离，并将所有距离相加求和得到距离密度，计算梨花图像中规定区域内梨花数目得到点密度。
12、优选的，所述步骤s4中，对步骤s3中获取到的点密度和距离密度进行k-means聚类分析，得到梨花图像的初始分级临界值，通过专家经验对初始分级临界值进行调整，得到梨花图像的分级临界值，将分级临界值应用到梨花图像密度分级中，根据分级临界值将图像分类为密度低、密度中与密度高三个等级，得到梨花疏密分级信息。
13、因此，本专利技术采用上述方法的一种基于深度学习的梨花密度分级方法，具有以下好处：
14、(1)在本专利技术中，在yolov7目标检测模型的基础上，提出了yolov7-es目标检测模型以提高检测精度。
15、(2)在本专利技术中，使用yolov7-es目标检测模型根据梨花图像计算梨花距离密度与梨花点密度，获取分级临界值，并使用分级临界值获取初步的梨花密度分级临界值。
16、(2)在本专利技术中，将得到的梨花密度信息利用k-means聚类分析得到初始分级临界值，并结合专家经验调整得出的分级临界值，使用更准确的分级临界值，对图像规定区域内的梨花密度等级进行划分。
17、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的梨花密度分级方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的梨花密度分级方法，其特征在于：所述步骤S1中，采集梨花图像的方法是在距离目标梨花20cm、50cm与100cm处分别拍摄近距离、中距离与远距离不同品种的梨花图像。
3.根据权利要求2所述的一种基于深度学习的梨花密度分级方法，其特征在于：所述步骤S1中，对梨花图像集使用labelImg对目标梨花进行最小外形标注，标注的信息包括梨花名称与梨花外框坐标信息。
4.根据权利要求3所述的一种基于深度学习的梨花密度分级方法，其特征在于：所述步骤中S2中，搭建轻量化YOLOv7-ES目标检测模型的具体过程如下：
5.根据权利要求4所述的一种基于深度学习的梨花密度分级方法，其特征在于：所述步骤S3中，计算梨花图像中规定区域内每一朵梨花与其相邻最近一朵梨花距离，并将所有距离相加求和得到距离密度，计算梨花图像中规定区域内梨花数目得到点密度。
6.根据权利要求5所述的一种基于深度学习的梨花密度分级方法，其特征在于：所述步骤S4中，对步
...【技术特征摘要】
1.一种基于深度学习的梨花密度分级方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的梨花密度分级方法，其特征在于：所述步骤s1中，采集梨花图像的方法是在距离目标梨花20cm、50cm与100cm处分别拍摄近距离、中距离与远距离不同品种的梨花图像。
3.根据权利要求2所述的一种基于深度学习的梨花密度分级方法，其特征在于：所述步骤s1中，对梨花图像集使用labelimg对目标梨花进行最小外形标注，标注的信息包括梨花名称与梨花外框坐标信息。
4.根据权利要求3所述的一种基于深度学习的梨花密度分级方法，其特征在于：所述步骤中s2中，搭建轻量化yolov7-es目标检测模型的...
【专利技术属性】
技术研发人员：张秀花，魏华杰，孔德刚，刘尚坤，张艺，冯生，黄征，王洪森，
申请(专利权)人：河北农业大学，
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。