[發明專利]一種自然果園場景下的柑橘木虱高精度檢測方法及裝置

有效

• 申請號: 202110546086.8
• 申請日: 2021-05-19
• 公開（公告）號: CN113312999B
• 公開（公告）日: 2023-07-07
• 發明（設計）人: 李震;胡嘉沛;姜晟;黃河清;呂石磊;薛秀云;洪添勝;宋淑然;代秋芳;吳偉斌
• 申請（專利權）人: 華南農業大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/774;G06V10/762;G06V20/40;G06V10/56;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

1.一種自然果園場景下的柑橘木虱高精度檢測方法，其特征在于，包括：

S1、獲取待檢測是否存在柑橘木虱的自然果園場景下的柑橘圖像；

S2、通過預先訓練得到的柑橘木虱檢測模型對所述柑橘圖像進行檢測；所述檢測模型通過多組訓練數據對改進后的YOLOv4-Tiny網絡模型進行訓練得到的；所述多組訓練數據的每一組數據包括柑橘木虱的目標框；所述改進后的YOLOv4-Tiny網絡模型包括一條與淺層卷積層相連的路徑，增加一個輸出對小目標敏感的高分辨率輸出特征圖；

S3、根據所述檢測模型的檢測結果，確定所述柑橘圖像是否存在柑橘木虱以及柑橘木虱的位置；

其中，所述改進后的YOLOv4-Tiny網絡模型訓練過程，包括：

S21、通過手持式拍攝設備采集果園中柑橘樹上柑橘木虱的彩色圖像，所述彩色圖像包括柑橘木虱小目標或被枝葉干擾的柑橘木虱圖像；

S22、對采集的彩色圖像進行預處理；

S23、對YOLOv4-Tiny網絡模型進行改進，增加一條與淺層卷積層相連的路徑，增加一個輸出對小目標敏感的高分辨率輸出特征圖，獲得改進后的YOLOv4-Tiny網絡模型；

S24、對改進后的YOLOv4-Tiny網絡模型設置網絡模型參數；

S25、設置網絡模型參數后，使用預處理后的部分彩色圖像對改進后的YOLOv4-Tiny網絡模型進行迭代訓練；

S26、當滿足預設條件后，迭代訓練所對應的改進后的YOLOv4-Tiny網絡模型作為最終的檢測模型；

所述步驟S23，包括：

S231、原YOLOv4-Tiny網絡利用深層卷積層的信息，輸出兩張分辨率低的特征圖；其中，改進后的YOLOv4-Tiny網絡結構中，Input為輸入的圖像，包含三個數值，前兩個數字為像素，第三個數字為通道數；Convolutional為卷積層，CSPResblock為跨階段局部網絡結構，FPN為特征金字塔網絡，Upsample為上采樣操作，Route為通道融合操作，YOLO?Head則為模型的輸出；并在原模型的特征融合網絡的基礎上添加一條與淺層卷積層相連的路徑，增加一個對小目標敏感的高分辨率輸出特征圖；

S232、在原YOLOv4-Tiny網絡結構其中的一個輸出特征圖上，通過上采樣操作與新增的高分辨率輸出特征圖進行連接，融合模型中淺層的細節信息和深層的語義信息；獲得改進后的YOLOv4-Tiny網絡模型。

2.如權利要求1所述的方法，其特征在于，所述步驟S21對采集的彩色圖像進行預處理，包括：

S211、對采集的彩色圖像中的柑橘木虱標注目標框，包括木虱的位置和邊框尺寸；

S212、將標注后的彩色圖像數據按照預設比例構建訓練集、驗證集和測試集；

S213、對所述訓練集中的彩色圖像進行亮度調節、對比度調節、加入噪聲和旋轉四種操作擴增數據。

3.如權利要求1所述的方法，其特征在于，所述步驟S24包括：

S241、使用k-means++算法對訓練集中的目標框大小進行聚類；根據模型輸出目標框的數量設置聚類算法的k值，聚類的結果作為改進的YOLOv4-Tiny網絡的目標框參數值；

S242、設置卷積神經網絡輸入圖像的像素、batch?size、mini-batch、權值的衰減速率、初始學習率和模型迭代次數。

4.如權利要求3所述的方法，其特征在于，所述步驟S241包括：

S2411、從所述訓練集中隨機選擇1個樣本作為第1個初始聚類中心；

S2412、計算每個樣本與當前已有初始聚類中心的最短距離；

S2413、計算每個樣本被選為下一個初始聚類中心的概率，按照輪盤法選擇出下一個初始聚類中心；

S2414、重復步驟S2412步和步驟S2413,直到選擇出k個初始聚類中心；

S2415、計算每個樣本與k個聚類中心的距離，并將其分到距離最小的聚類中心，形成k個簇；

S2416、更新聚類中心為隸屬簇全部樣本的均值；-

S2417、重復步驟S2415和步驟S2416直到聚類中心不再變化，獲得聚類的結果作為改進的YOLOv4-Tiny網絡的目標框參數值。