基于改进YOLOv5网络的串番茄成熟度的检测方法技术

本发明专利技术涉及一种基于改进YOLOv5网络的串番茄成熟度的检测方法，包括步骤：构建串番茄数据集和单个小番茄数据集；基于改进YOLOv5网络对数据集进行训练，得到权重模型配置；构建串番茄检测模型DetectTomato，其识别出待检测图像中的串番茄检测目标，将串番茄检测目标图像及其位置信息分别存储在文件夹中；构建成熟度检测模型DetectMaturity，计算得出串番茄成熟度，输出成熟度最高且达到预设成熟度标准值的串番茄检测目标图像对应的位置，确定采摘目标，在每次成熟度检测后都清空文件夹。本发明专利技术能够实现对串番茄的精确识别，并进行进一步的成熟度检测，确定可采摘目标，提高了串番茄成熟度检测和采摘准确度。熟度检测和采摘准确度。熟度检测和采摘准确度。

【技术实现步骤摘要】
基于改进YOLOv5网络的串番茄成熟度的检测方法


[0001]本专利技术属于计算机视觉与模式识别
，尤其涉及一种串番茄成熟度检测
，具体为基于改进YOLOv5网络的串番茄成熟度的检测方法。

技术介绍

[0002]番茄营养价值丰富，有碳水化合物、维生素C、胡萝卜素、蛋白质以及多种营养素。串番茄，又名穗番茄，是近年来流行于国内外市场的新型番茄品种，具有着不错的市场。普通软果肉番茄的货架寿命最长为10天左右，而串番茄果实转红后能在果穗上保留15天以上而不软化、不裂果，货架寿命20天以上，有更长的保质日期。串番茄生长周期约三四个月，一年四季可实现滚动上市。因此，串番茄的采摘成为进入市场极为关键的一个环节。
[0003]对于温室大棚内种植的串番茄，目前采用的方式是由种植人员每日巡检，记录果实的生长状态，包括果实的挂果情况、果实的大小、果实的数量等。这类工作耗时耗力，占用大量人工成本。在智能化的工农业时代，智能化控制成为减少成本，提升生产效率的重要手段。
[0004]近几年，机器视觉领域的快速发展，也推动了农业领域向智能化生产的发展。但针对于大棚内串番茄的智能采摘，智能采摘设备的图像处理算法将识别出图像中的所有串番茄，而智能采摘设备一次只能采摘一串番茄，复杂场景下实现单个串番茄高效采摘是需要解决的问题。与此同时，对于串番茄的整串采摘，也需要考虑串番茄本身的质量水平，只有达到规定界限的串番茄才能整串采摘，减少生产损失，而对符合标准的串番茄的确定和识别，也成为了实际采摘过程中需要解决的问题。
专利
技术实现思路

[0005]为了解决上述技术问题，本专利技术提供一种基于改进YOLOv5网络的串番茄成熟度的检测方法，能够实现对串番茄的精确识别，并进行进一步的成熟度检测，确定可采摘目标。相较于传统算法的目标检测，本专利技术为串番茄采摘的工程实际提供了具体的解决方案，具备逻辑性、完整性以及较高的精确性。
[0006]本专利技术所采用的技术方案是：
[0007]一种基于改进YOLOv5网络的串番茄成熟度的检测方法，包括以下步骤：
[0008]步骤1：构建串番茄数据集和单个小番茄数据集，所述单个小番茄数据集由串番茄中各个生长时期的单个小番茄的图像组成；
[0009]步骤2：基于改进YOLOv5网络分别对串番茄数据集和单个小番茄数据集进行训练，得到相应的权重模型配置，改进YOLOv5网络是将YOLOv5网络模型的backbone层的卷积层替换为GhostConv，head层输出头的Detect替换为ASFF自适应特征融合层；
[0010]步骤3：基于改进YOLOv5网络，在detect程序中引入目标位置截取存储机制，构建串番茄检测模型DetectTomato；
[0011]步骤4：串番茄检测模型DetectTomato调用串番茄数据集的权重模型配置，识别出
待检测图像中的串番茄检测目标，获得识别出的所有串番茄检测目标的图像及其位置信息，并将串番茄检测目标图像及其位置信息分别存储至exp文件夹和label文件夹中；
[0012]步骤5：基于改进YOLOv5网络，在detect程序中引入统计函数以及目标位置输出机制，构建成熟度检测模型DetectMaturity；
[0013]步骤6：成熟度检测模型DetectMaturity调用单个小番茄数据集的权重模型配置，遍历存储在exp文件夹中的所有串番茄检测目标图像，识别出每一幅串番茄检测目标图像中的单个小番茄，调用统计函数统计出同一幅串番茄检测目标图像中分别处于完熟期、半熟期、绿熟期的小番茄个数，将完熟期小番茄个数除以小番茄总数，计算得出串番茄成熟度，输出成熟度最高且达到预设成熟度标准值的串番茄检测目标图像对应label文件夹中的位置，从而确定采摘目标，在每完成一幅串番茄检测目标图像的成熟度检测后，都调用os库对label文件夹和exp文件夹进行清空处理。
[0014]本专利技术的有益效果包括：
[0015]1、明确单个采摘目标：本专利技术通过串番茄检测模型DetectTomato，识别出图像数据中出现的串番茄，并将识别出的单个的串番茄检测目标图像以及位置信息进行存储，再通过成熟度检测模型DetectMaturity对单个小番茄图像进行识别以及成熟度检测，明确最终采摘目标，为减少生产采摘损失以及采摘的流畅性提供了有效的方法；
[0016]2、小番茄果实成熟度分类：小番茄果实生长期共分为三个时期，包括绿熟期、半熟期和完熟期，三个时期中差异最大的是RGB分量中的R和G分量，即红色和绿色，本专利技术通过绘制三个生长时期的R
‑
G分量统计表，成熟度检测模型DetectMaturity基于三个生长时期的R
‑
G分量统计表进行生长时期划分，为小番茄果实的成熟度检测提供了科学的依据，提高了串番茄成熟度检测和采摘的准确度。
[0017]3、轻量化网络模型：为了提升训练速度，将YOLOv5网络模型的backbone层的卷积层替换为GhostConv，head层输出头的Detect替换为ASFF自适应特征融合层，在保证识别精度几乎不变的同时，训练时间减少了13％，一定程度上提升了应用价值。
附图说明
[0018]图1为本专利技术一种基于改进YOLOv5网络的串番茄成熟度的检测方法的流程图；
[0019]图2为本专利技术中改进YOLOv5网络模型结构图；
[0020]图3为本专利技术中串番茄检测模型DetectTomato的流程示意图；
[0021]图4为本专利技术中成熟度检测模型DetectMaturity的流程示意图；
[0022]图5为本专利技术串番茄检测模型DetectTomato对串番茄识别效果图；
[0023]图6为本专利技术成熟度检测模型DetectMaturity对串番茄成熟度检测效果图。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行具体、详细、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]本专利技术基于YOLOv5的识别能力，改进YOLOv5训练阶段网络模型，设计出一种轻量
化模型；改进YOLOv5的detect程序，分别引入引入目标位置截取存储机制、引入统计函数以及目标位置输出机制，实现对大棚内串番茄的两次检测，第一次检测的目的是识别出图像数据中所有的串番茄并确定串番茄所处的图像位置，第二次检测的目的是计算出第一次检测中所有串番茄的成熟度，以此决定最适合采摘的串番茄目标。本专利技术的检测方法的流程图如图1所示，具体步骤如下：
[0026]步骤1：构建串番茄数据集和单个小番茄数据集，其中单个小番茄数据集由串番茄中各个生长时期的单个小番茄的图像组成。
[0027]在本步骤中，首先采集设备采集大棚内串番茄图像，得到串番茄图像数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5网络的串番茄成熟度的检测方法，其特征在于，包括以下步骤：步骤1：构建串番茄数据集和单个小番茄数据集，所述单个小番茄数据集由串番茄中各个生长时期的单个小番茄的图像组成；步骤2：基于改进YOLOv5网络分别对串番茄数据集和单个小番茄数据集进行训练，得到相应的权重模型配置，改进YOLOv5网络是将YOLOv5网络模型的backbone层的卷积层替换为GhostConv，head层输出头的Detect替换为ASFF自适应特征融合层；步骤3：基于改进YOLOv5网络，在detect程序中引入目标位置截取存储机制，构建串番茄检测模型DetectTomato；步骤4：串番茄检测模型DetectTomato调用串番茄数据集的权重模型配置，识别出待检测图像中的串番茄检测目标，获得识别出的所有串番茄检测目标的图像及其位置信息，并将串番茄检测目标图像及其位置信息分别存储至exp文件夹和label文件夹中；步骤5：基于改进YOLOv5网络，在detect程序中引入统计函数以及目标位置输出机制，构建成熟度检测模型DetectMaturity；步骤6：成熟度检测模型DetectMaturity调用单个小番茄数据集的权重模型配置，遍历存储在exp文件夹中的所有串番茄检测目标图像，识别出每一幅串番茄检测目标图像中的单个小番茄，调用统计函数统计出同一幅串番茄检测目标图像中分别处于完熟期、半熟期、绿熟期的小番茄个数，将完熟期小番茄个数除以小番茄总数，计算得出串番茄成熟度，输出成熟度最高且达到预设成熟度标准值的串番茄检测目标图像对应label文件夹中的位置，从而确定采摘目标，在每完成一幅串番茄检测目标图像的成熟度检测后，都调用os库对label文件夹和exp文件夹进行清空处理。2.根据权利要求1所述的一种基于改进YOLOv5网络的串番茄成熟度的检测方法，其特征在于，步骤2具体包括以下步骤：基于opencv中的warpPerspective对数据集对应的图像矩阵进行一系列的旋转、平移、缩放处理，将数据集中处理好的图像取四张进行拼接，将整合的大图再进行随机旋转、平移、缩放、裁剪，实现图像数据增强；基于改进YOLOv5网...

【专利技术属性】
技术研发人员：刘鹏，袁小龙，张建海，赵安然，李东齐，胡龙皓，宋楚轩，
申请(专利权)人：吉林大学，
类型：发明
国别省市：