一种基于深度学习的茶树茶芽识别与计数方法技术

技术编号：40803019 阅读：3 留言：0更新日期：2024-03-28 19:28

本发明专利技术公开了一种基于目标检测技术的茶树芽头识别与数量统计的方法，包括如下步骤：S1、利用数码相机对复杂自然环境下的茶树茶芽图像进行采集；S2、对采集到的图像数据进行图像预处理操作，并将预处理后的数据划分为训练集，验证集和测试集；S3、构建深度学习网络模型，利用深度学习网络模型对训练集、验证集进行训练；S4、采用训练好的网络模型进行茶树茶芽的自动识别与数量统计。该方法克服了在茶园生产管理过程中，人工统计茶树发芽密度需要耗费大量人力和时间、效率低下的问题，解决了茶园复杂环境下茶芽的识别与数量自动统计的问题。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及图像处理，计算机视觉，目标检测，具体而言，涉及一种基于深度学习的茶树茶芽识别方法。

技术介绍

1、茶叶是世界上三大无酒精饮料之一，在全世界范围内被广泛饮用。我国茶园面积已经超过321.6hm2，茶叶年产量接近300万吨，并且茶园面积还在不断增长。在茶园生产管理以及茶树育种过程中，茶树发芽密度是一个重要的评价指标。目前茶树发芽密度的数量统计主要依靠人工在茶园统计茶芽数量，茶树的芽头占比面积较小而且数量较多，与此同时，茶园复杂的生长环境还会给数量统计任务带来干扰。人工统计茶树发芽密度具有工作效率较低，劳动强度大，耗时长等特点，主观性强，长时间重复简单的劳动，存在漏检的可能性较大，因而现阶段的茶芽密度统计方式并不能满足茶园生产管理的需求。

2、国内外对于茶芽识别与计数研究依然相对较少，而有关茶芽识别的大多数研究，其主要目的都集中在自动采茶设备上，通过识别茶芽以及定位采摘点，进而为自动采茶设备研发提供条件。杨福增等首先针对茶芽图像在rgb空间上的信息特点，对其中的g分量进行提取，接着采用双阈值处理的方式来对茶芽进行分割和边缘检测，实验结果表明将茶芽的颜色和形状特征结合起来，可以更好地实现对茶芽的识别。

3、基于以上背景，本专利技术开发了一种基于深度学习的目标检测算法模型对茶芽进行自动识别与计数的方法。

技术实现思路

1、针对现有技术中的缺陷，本专利技术的目的是提供一种基于深度学习的茶树茶芽识别方法，解决自然环境下茶芽数量统计耗时耗力、主观性强等问题。</p>

2、为了解决上述问题，本专利技术的技术方案为：

3、一种基于深度学习的茶树茶芽识别方法，包括以下步骤：

4、s1、利用数码相机对复杂自然环境下的茶树茶芽图像进行采集；

5、s2、对采集到的图像数据进行图像预处理操作，并将预处理后的数据划分为训练集、验证集和测试集；

6、s3、构建深度学习网络模型，利用深度学习网络模型对训练集、验证集进行训练；

7、s4、采用训练好的改进网络模型进行茶芽的自动识别与数量统计。

8、可选地，所述步骤s2进一步包括：

9、s21、将采集到的图像数据进行规范命名，对采集所有茶芽图像进行筛选，剔除遮挡严重的倾斜拍摄的图像以及光照过亮，人眼识别起来较困难的图像；

10、s22、对采集到的茶芽图像使用labelimg软件进行图像标注，以及标记文件的生成；

11、s23、针对采集到的茶芽图像及其标记文件，采用图像数据增强算法进行数据集的扩增；

12、s24、样本图像预处理完成后，按照数据集7:2:1的划分标准，随机选择70%的数据作为训练集，20%的数据作为训练时验证集，10%的数据作为最终评估模型的测试集。

13、可选地，所述步骤s3进一步包括：

14、s31、在目标检测算法yolov3网络的基础上，在其原有的编码解码结构基础上，对模型训练参数进行调整；

15、s32、使用了残差网络结构；

16、s33、引入“leakyrelu”激活函数。

17、采用上述技术方案，本专利技术利用数码相机进行茶树茶芽的图像采集，通过图像预处理后，利用改进的目标检测模型将图像进行训练预测，实现了在复杂自然环境下快速且准确地对茶树茶芽进行自动识别和数量统计的目的。这种基于深度学习的茶树茶芽识别与计数方法，本专利技术克服了茶园生产管理过程中人工统计茶树发芽密度工作效率较低，劳动强度大，耗时长等问题。

18、本专利技术通过数码相机在自然环境下进行茶芽图像采集，提出一种改进的yolov3目标检测算法模型，对模型训练参数进行了针对性的调整，减少了模型参数量，提高了模型计算速度；网络结构模型中使用了深度残差网络结构，大幅加深了网络的深度，提高了对图像的特征提取能力；引入了“leakyrelu”激活函数，普通的relu激活函数是将所有的负值都设为零，leakyrelu则是给所有负值赋上一个不为零的斜率。为未来茶芽自动识别与数量统计提供了新方法。

本文档来自技高网...

【技术保护点】

1.一种基于深度学习的茶树茶芽识别与数量统计方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的茶树茶芽识别方法，其特征在于，所述步骤S1中通过数码相机采集图像。

3.根据权利要求1所述的基于深度学习的茶树茶芽识别方法，其特征在于，所述步骤S2中，茶树图像的预处理包括如下步骤：

4.根据权利要求1所述的基于深度学习的茶树茶芽识别方法，其特征在于，所述步骤S2中，训练集，验证集和测试集按7:2:1的比例进行划分。

5.根据权利要求1所述的基于深度学习的茶树茶芽识别方法，其特征在于，所述步骤S3中，使用了残差网络结构和引入了“LeakyReLU”激活函数。

6.根据权利要求3所述的基于深度学习的茶树茶芽识别方法，其特征在于，所述步骤S23中，图像数据增强算法包括水平翻转、亮度变化或高斯模糊。

【技术特征摘要】

1.一种基于深度学习的茶树茶芽识别与数量统计方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的茶树茶芽识别方法，其特征在于，所述步骤s1中通过数码相机采集图像。

3.根据权利要求1所述的基于深度学习的茶树茶芽识别方法，其特征在于，所述步骤s2中，茶树图像的预处理包括如下步骤：

4.根据权利要求1所述的基于深度学习的茶树茶芽识别方...

【专利技术属性】
技术研发人员：倪康，龙俐至，李海涛，杨向德，张群峰，刘美雅，马立锋，石元值，阮建云，
申请(专利权)人：中国农业科学院茶叶研究所，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人