System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。