基于AD-YOLO模型和MR-SORT方法的苹果计数方法技术

本发明专利技术属于深度学习技术领域，具体涉及一种基于AD‑YOLO模型和MR‑SORT方法的苹果计数方法，包括下列步骤：构建数据集；基于YOLOv8构建苹果检测模型AD‑YOLO；利用所属训练集在所构建的AD‑YOLO网络上进行训练，并和其他SOTA模型进行结果对比；基于BoT‑SORT提出多目标追踪方法MR‑SORT，构建苹果计数通道；建立评价指标用于计数方法的性能评估。首先，本发明专利技术对YOLOv8模型进行优化。将全维动态卷积设计应用于网络结构，显著提高了模型的特征提取能力，增强了维度之间的交互作用，提高了检测模型的性能。其次，对BoT‑SORT多目标追踪算法进行改进，将外观特征提取器替换为图像检索算法，在不涉及深度学习的情况下实现苹果外观特征的提取，减少了整个计数过程所需要的时间。

【技术实现步骤摘要】

本专利技术属于深度学习，具体涉及一种基于ad-yolo模型和mr-sort方法的苹果计数方法。

技术介绍

1、随着农业智能化的飞速发展，水果计数在农业生产管理中的重要性日益凸显。目前，水果计数方法在果园产量预测任务中应用十分广泛。水果计数除了能够估算果园产量之外，它还可以用来计算果实的成熟率，从而帮助果农确定最佳的采摘时间，提高果实的销售价格和利润。在视频流中，水果计数可以被视为一个基于检测追踪(tracking bydetection，tbd)的多目标追踪问题。然而，使用tbd范式的水果计数方法容易受到遮挡和检测性能的影响，特别是对于那些颜色与背景相近且密集生长的水果来说，这种影响更为明显。

2、尽管已经有多种成熟的多目标追踪方法被提出并广泛应用于水果计数，但在复杂的农业场景中仍然存在挑战。许多基于tbd的水果计数方法根据iou距离、深度信息或光流将边界框逐帧地与轨迹关联起来。虽然这在追踪精度和准确性方面实现了良好的总体性能，但返回的苹果错误计数的数量相对较高。产生这种现象的原因是水果在农业环境中很容易被遮挡，而且复杂果园环境下的光线变化明显本文档来自技高网...

【技术保护点】

1.基于AD-YOLO模型和MR-SORT方法的苹果计数方法，其特征在于：包括下列步骤：

2.根据权利要求1所述的基于AD-YOLO模型和MR-SORT方法的苹果计数方法，其特征在于：所述S1中的数据集包括检测数据集和追踪数据集；

3.根据权利要求1所述的基于AD-YOLO模型和MR-SORT方法的苹果计数方法，其特征在于：所述S1中预处理的方法为：标注信息格式转换、数据增强以及数据划分，所述数据增强包括水平旋转、竖直旋转、亮度变化、对比度变化、饱和度变化、高斯噪声、椒盐噪声、尺寸变化和运动模糊效果。

4.根据权利要求1所述的基于AD-YOLO模型和M...

【技术特征摘要】

1.基于ad-yolo模型和mr-sort方法的苹果计数方法，其特征在于：包括下列步骤：

2.根据权利要求1所述的基于ad-yolo模型和mr-sort方法的苹果计数方法，其特征在于：所述s1中的数据集包括检测数据集和追踪数据集；

3.根据权利要求1所述的基于ad-yolo模型和mr-sort方法的苹果计数方法，其特征在于：所述s1中预处理的方法为：标注信息格式转换、数据增强以及数据划分，所述数据增强包括水平旋转、竖直旋转、亮度变化、对比度变化、饱和度变化、高斯噪声、椒盐噪声、尺寸变化和运动模糊效果。

4.根据权利要求1所述的基于ad-yolo模型和mr-sort方法的苹果计数方法，其特征在于：所述s2中苹果检测模型ad-yolo的具体构建方法为：

5.根据权利要求1所述的基于ad-yolo模型和mr-sort方法的苹果计数方法，其特征在于：所述s3中的训练方法为：对网络中的可训练参数进行初始化，将训练集分批次输入到网络中；根据预测值与真实标签，构建损失函数并计算损失，使用优化算法进行反向传播更新网络的参数，直至损失在一定范围内不再下降，此时将网络参...

【专利技术属性】
技术研发人员：王千山，杨学良，李文宽，高亚鹏，李海芳，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：