【技术实现步骤摘要】
本专利技术涉及机器视觉图像识别和多目标跟踪，具体涉及一种基于深度学习的油茶产量快速预测方法。
技术介绍
1、油茶是我国南方地区的一种重要经济林树种，具有丰富的油脂和蛋白质等营养成分，是制作食用油、茶油和膳食补品的重要原料。目前还没有有效的方法来计算小规模油茶树的油茶果实。农民通常人工计数油茶果实，这是效率低，耗时，费力。因此，开发一种高效的油茶产量快速预测方法是必要的。最近，基于深度学习的方法在预测作物产量方面显示出了很好的前景。但是，油茶果实计数存在两个突出问题，即油茶果实检测的稳定性差和同一油茶果实的重复计数。
2、为了提高油茶果实检测的稳定性，先后提出了基于传统图像处理算法和深度学习算法的检测方法。传统的检测方法主要基于机器学习和数字图像处理，如纹理信息和几何信息来识别和检测目标。目前，基于卷积神经网络(cnn)的油茶果实检测方法已经引起了很多关注。yolo系列和r-cnn系列模型在检测油茶果实方面具有良好的性能。这些模型在背景简单的情况下可以获得较高的精度。然而，在实际油茶树园中，油茶果实密集且小，油茶树园环境是复杂的。因此，这些模型的结果并不总是令人满意的。此外，近年来，注意力机制已被证实可以提高小目标的检测精度。该方法可用于油茶果实检测应用，提高检测精度。因此，该方法可用于油茶果实的检测，以提高其检测精度。
3、在连续图像序列中计数时，重要的是避免对同一对象进行多次计数。基于图像序列的计数方法从多个角度采集目标图像，从而更准确地观察目标。查阅论文中的实验结果表明，这种计数算法具有实际应用的前景
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的油茶产量快速预测方法，该方法通过对待检测视频中的所有油茶果实进行实时跟踪，并根据油茶果实目标的轨迹信息，对油茶果实进行计数和分析。
2、根据本专利技术的第一方面，提供一种基于深度学习的油茶产量快速预测方法，包括：
3、s1：数据采集，采集多棵已经结果油茶树的图像和视频.
4、s2：数据处理，对采集的图像和视频中的油茶果实进行人工标注，构建以油茶果实为目标的目标检测数据集。
5、s3：模型训练，通过优化yolov8模型结构来构建油茶果实目标检测模型，利用目标检测数据集对油茶果实目标检测模型进行训练。
6、s4：目标检测：使用训练完的油茶果实目标检测模型对每一帧图像进行目标检测，识别和定位油茶果实位置。
7、s5：目标跟踪：将每一帧中检测到的油茶果实目标与前一帧中相对应的目标进行关联，形成目标跟踪结果。
8、s6：轨迹管理：根据目标跟踪结果，对目标轨迹进行管理和更新。
9、s7：计数与分析：根据油茶果实目标轨迹信息，对油茶果实进行计数和分析，得到追踪果实数、实测果实数和实测单果质量。
10、进一步地，本专利技术所提供的基于深度学习的油茶产量快速预测方法，步骤s1包括：视频每10帧提取一个图像，提取的两个相邻图像之间的重叠部分占每个图像的70％以上；将提取的图像由labelimg标记，用于制作油茶果实的标签。
11、进一步地，本专利技术所提供的基于深度学习的油茶产量快速预测方法，步骤s3包括：yolov8模型采用了卷积神经网络来实现实时油茶果实目标检测，检测步骤包括：
12、对输入图像进行预处理操作以便适应网络的输入要求，预处理操作包括缩放、裁剪、归一化。
13、利用骨干网络repvit-m0对油茶果实进行特征提取。
14、使用特征金字塔结构网络从不同层级的油茶果实特征图中提取多尺度的特征。
15、使用多个检测头部来预测多组边界框和类别概率。
16、对于每个检测头部输出的边界框，应用边界框回归算法来调整其位置和大小，以拟合目标。
17、使用非极大值抑制算法来消除冗余的检测结果，得到最终的目标检测结果。
18、进一步地，本专利技术所提供的基于深度学习的油茶产量快速预测方法，步骤s5和s6包括：
19、如果当前为视频第一帧，则检测结果即为跟踪序列，如果当前已存在跟踪序列，对跟踪序列利用卡尔曼滤波进行轨迹预测，得到当前帧的预测轨迹序列，包括不确定的跟踪轨迹和确定的跟踪轨迹。
20、对当前帧进行目标检测，将目标框置信度设置为0.001，并设置目标框得分的高分阈值和低分阈值，若目标检测框得分大于高分阈值，则划分为高分框，若目标检测框得分小于低分阈值，则划分为低分框。
21、将高分框与确定的跟踪轨迹进行匹配，若匹配成功，则返回给卡尔曼滤波进行轨迹的更新；若匹配不成功，则连同前面检测得到的低分框进行orb特征提取和匹配。
22、进行卡尔曼滤波更新，并将未匹配的轨迹暂存至跟踪序列中，连续三帧的未匹配的检测框视为新轨迹加入至跟踪序列。
23、进一步地，本专利技术所提供的基于深度学习的油茶产量快速预测方法，步骤s8包括：利用机器学习方法拟合追踪得到的油茶果实和单株果数之间的关系，同时结合油茶样木总株数和实测单果质量，构建基于冠层果自动检测的估产模型，其中，包括机器学习方法线性回归、随机森林方法。
24、根据本专利技术的第二方面，提供一种计算机设备，其特征在于，包括：
25、存储器，用于存储指令；以及
26、处理器，用于调用存储器存储的指令执行第一方面的方法。
27、根据本专利技术的第三方面，提供一种计算机可读存储介质，其特征在于，存储有指令，指令被处理器执行时，执行第一方面的方法。
28、与现有技术相比，本专利技术所构思的上述技术方案至少具有以下有益效果：
29、多目标跟踪技术相较于传统方法在目标计数操作中具有明显优势。它提供了更高的计数精度，减少了误检和漏检，而且能够在复杂拥挤的环境中有效操作。实时性是其另一亮点，适用于需要迅速监控和计数的场景。此外，多目标跟踪系统的自动化能减少人工干预，降低劳动力成本，而丰富的数据输出也可用于进一步分析和决策制定。不过，实施和维护多目标跟踪技术需要更多的计算资源和专业知识。
30、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的油茶产量快速预测方法，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油茶产量快速预测方法，其特征在于，步骤S1包括：
3.根据权利要求1所述的基于深度学习的油茶产量快速预测方法，其特征在于，步骤S3包括：YOLOv8模型采用了卷积神经网络来实现实时油茶果实目标检测，检测步骤包括：
4.根据权利要求1所述的基于深度学习的油茶产量快速预测方法，其特征在于，步骤S5和S6包括：
5.根据权利要求1所述的基于深度学习的油茶产量快速预测方法，其特征在于，步骤S8包括：利用机器学习方法拟合追踪得到的油茶果实和单株果数之间的关系，同时结合油茶样木总株数和实测单果质量，构建基于冠层果自动检测的估产模型，其中，包括机器学习方法线性回归、随机森林方法。
6.一种计算机设备，其特征在于，包括：
7.一种计算机可读存储介质，其特征在于，存储有指令，所述指令被处理器执行时，执行如权利要求1-5所述的基于深度学习的油茶产量快速预测方法。
【技术特征摘要】
1.一种基于深度学习的油茶产量快速预测方法，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油茶产量快速预测方法，其特征在于，步骤s1包括：
3.根据权利要求1所述的基于深度学习的油茶产量快速预测方法，其特征在于，步骤s3包括：yolov8模型采用了卷积神经网络来实现实时油茶果实目标检测，检测步骤包括：
4.根据权利要求1所述的基于深度学习的油茶产量快速预测方法，其特征在于，步骤s5和s6包括：
5.根...
【专利技术属性】
技术研发人员：龙伟，董志鹏，王开良，林萍，张勇，黄广远，俞春莲，
申请(专利权)人：中国林业科学研究院亚热带林业研究所，
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。