[發明專利]基于深度學習的綠色柑橘識別方法、設備及裝置

有效

• 申請號: 202010696636.X
• 申請日: 2020-07-17
• 公開（公告）號: CN111860537B
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 鄭祿;劉越;宋中山;帖軍;王江晴;田莎莎;汪進
• 申請（專利權）人: 中南民族大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 徐進之

1.一種基于深度學習的綠色柑橘識別方法，其特征在于，所述基于深度學習的綠色柑橘識別方法包括以下步驟：

在接收到待識別綠色柑橘圖像時，對所述待識別綠色柑橘圖像進行預處理，獲得初始特征圖；

通過預設密集連接卷積單元對所述初始特征圖進行采樣，獲得特征采樣圖；

通過預設殘差卷積單元對所述特征采樣圖進行卷積處理，獲得目標特征圖；

根據所述目標特征圖，通過預設識別模型對所述待識別綠色柑橘圖像進行識別；

所述通過預設密集連接卷積單元對所述初始特征圖進行采樣，獲得特征采樣圖的步驟，具體包括：

獲取預設密集連接卷積單元對應的非線性轉化函數；

通過所述非線性轉化函數對所述初始特征圖進行采樣，獲得中間特征圖，并記錄采樣次數；

判斷所述采樣次數是否大于或等于預設次數；

在所述采樣次數大于或等于所述預設次數時，將所述中間特征圖作為特征采樣圖；

所述通過所述非線性轉化函數對所述初始特征圖進行采樣，獲得中間特征圖的步驟，具體包括：

根據所述非線性轉化函數確定批量歸一化函數和線性整流函數；

根據第一預設卷積核、所述批量歸一化函數和所述線性整流函數對所述初始特征圖進行第一采樣運算，獲得第一特征采樣圖；

根據第二預設卷積核、所述批量歸一化函數和所述線性整流函數對所述第一特征采樣圖進行第二采樣運算，獲得中間特征圖，所述第一預設卷積核的尺寸小于所述第二預設卷積核的尺寸。

2.如權利要求1所述的基于深度學習的綠色柑橘識別方法，其特征在于，所述判斷所述采樣次數是否大于或等于預設次數的步驟之后，還包括：

在所述采樣次數小于所述預設次數時，對所述中間特征圖和所述初始特征圖進行拼接，獲得拼接特征圖；

將所述拼接特征圖作為初始特征圖，并返回所述通過所述非線性轉化函數對所述初始特征圖進行采樣，獲得中間特征圖的步驟。

3.如權利要求1或2所述的基于深度學習的綠色柑橘識別方法，其特征在于，所述根據所述目標特征圖，通過預設識別模型對所述待識別綠色柑橘圖像進行識別的步驟之前，還包括：

根據所述目標特征圖創建輸出特征圖集；

判斷所述輸出特征圖集中所述目標特征圖的數量是否大于預設值；

在所述數量大于所述預設值時，將所述輸出特征圖集作為目標輸出特征圖集；

相應地，所述根據所述目標特征圖，通過預設識別模型對所述待識別綠色柑橘圖像進行識別的步驟，具體包括：

根據所述目標輸出特征圖集，通過預設識別模型對所述待識別綠色柑橘圖像進行識別。

4.如權利要求3所述的基于深度學習的綠色柑橘識別方法，其特征在于，所述判斷所述輸出特征圖集中所述目標特征圖的數量是否大于預設值的步驟之后，還包括：

在所述數量小于或等于所述預設值時，將所述目標特征圖作為初始特征圖，并返回所述通過預設密集連接卷積單元對所述初始特征圖進行采樣，獲得特征采樣圖的步驟。

5.如權利要求1或2所述的基于深度學習的綠色柑橘識別方法，其特征在于，所述在接收到待識別綠色柑橘圖像時，對所述待識別綠色柑橘圖像進行預處理，獲得初始特征圖的步驟之前，還包括：

在接收到綠色柑橘樣本圖像時，對所述綠色柑橘樣本圖像進行預處理，獲得預處理圖像；

根據所述綠色柑橘樣本圖像和所述預處理圖像生成樣本圖像集；

通過預設密集連接卷積單元和預設殘差卷積單元對所述樣本圖像集進行采樣，獲得目標特征樣本集；

基于所述目標特征樣本集，根據預設識別算法創建預設識別模型。

6.一種基于深度學習的綠色柑橘識別設備，其特征在于，所述基于深度學習的綠色柑橘識別設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的基于深度學習的綠色柑橘識別程序，所述基于深度學習的綠色柑橘識別程序被所述處理器執行時實現如權利要求1至5中任一項所述的基于深度學習的綠色柑橘識別方法的步驟。