一种草莓果实重量确定方法技术

本发明专利技术公开一种草莓果实重量确定方法

【技术实现步骤摘要】
一种草莓果实重量确定方法、系统、电子设备及介质


[0001]本专利技术涉及数字农业
，特别是涉及一种草莓果实重量确定方法
、
系统
、
电子设备及介质
。

技术介绍

[0002]近些年，中国草莓种植面积持续扩大，产量已居世界首位
。
草莓果实含有多种营养物质
,
深受消费者喜爱
,
然而草莓的种植与采摘主要靠人工进行
,
而且由于其收获期短
、
采摘费时
、
不耐储藏等缺点
,
限制了其商业推广的进度
,
随着草莓高架栽培模式的推广
,
实施草莓机械化采摘具有重要的意义
。
由于果实个体之间差异
,
同一时期果实成熟度和重量均不相同
,
因此在进行机械化采摘时需要做到分级分类
。
草莓的鲜重与草莓产量和分级分类直接相关，高精度无损估算草莓鲜重，可为草莓生长过程优化提供技术基础，同时实现草莓精准分级分类，有助于实现草莓栽培与采摘数字化
、
自动化和智能化，在农业生产和研究中有着重要意义
。
[0003]随着计算机视觉相关的软硬件技术的发展，基于可见光的机器视觉和图像处理技术已经成为作物表型参数无损估算的研究热点，然而基于机器视觉的草莓质量无损估算与分级研究需要进行特征选取，人工成本较高，且特征选取好坏会极大影响估测的准确性
。r/>除此以外，浅层机器学习模型表达能力有限，针对复杂问题的拟合效果较差
。
相较于浅层机器学习，深度学习可实现自发性的特征学习
、
包含更多的隐藏层而且可以实现端到端的模型输出，针对复杂问题的拟合效果更好
。
因此研发一种基于深度学习的草莓质量估算与果实分级方法显得尤为重要
。

技术实现思路

[0004]本专利技术的目的是提供一种草莓果实重量确定方法
、
系统
、
电子设备及介质，能够提高草莓果实重量估算的准确性
。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种草莓果实重量确定方法，所述确定方法包括：
[0007]获取多个目标草莓的整体图像；
[0008]应用单阶段目标检测模型对所述整体图像中的各个目标草莓进行分割，得到多张单个目标草莓的图像；
[0009]将多张所述单个目标草莓的图像输入草莓质量估算模型，得到各单个目标草莓的鲜重；其中，所述草莓质量估算模型是通过训练集对深度学习模型进行训练得到的；所述深度学习模型包括依次连接的特征提取网络和回归网络；所述训练集包括多张单个草莓样本的图像和各所述单个草莓样本的鲜重
。
[0010]可选地，所述单阶段目标检测模型为
YOLOv8
模型
。
[0011]可选地，所述特征提取网络为
CNN
网络
。
[0012]可选地，所述回归网络包括全连接层和激活函数
。
[0013]可选地，所述深度学习模型的训练过程包括：
[0014]以所述单个草莓样本的图像为输入，以对应的单个草莓样本的鲜重为输出，对所述深度学习模型进行训练；
[0015]当训练的次数大于预设训练次数时，得到训练好的深度学习模型，并将所述训练好的深度学习模型作为草莓质量估算模型
。
[0016]一种草莓果实重量确定系统，应用上述的草莓果实重量确定方法，所述确定系统包括：
[0017]获取模块，用于获取多个目标草莓的整体图像；
[0018]分割模块，用于应用单阶段目标检测模型对所述整体图像中的各个目标草莓进行分割，得到多张单个目标草莓的图像；
[0019]预测模块，用于将多张所述单个目标草莓的图像输入草莓质量估算模型，得到各单个目标草莓的鲜重；其中，所述草莓质量估算模型是通过训练集对深度学习模型进行训练得到的；所述深度学习模型包括依次连接的特征提取网络和回归网络；所述训练集包括多张单个草莓样本的图像和各所述单个草莓样本的鲜重
。
[0020]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的草莓果实重量确定方法
。
[0021]一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的草莓果实重量确定方法
。
[0022]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0023]本专利技术提供的一种草莓果实重量确定方法
、
系统
、
电子设备及介质，通过获取多个目标草莓的整体图像，应用单阶段目标检测模型对所述整体图像中的各个目标草莓进行分割，得到多张单个目标草莓的图像，然后将多张所述单个目标草莓的图像输入草莓质量估算模型，得到各单个目标草莓的鲜重；其中，所述草莓质量估算模型是通过训练集对深度学习模型进行训练得到的；所述训练集包括多张单个草莓样本的图像和各所述单个草莓样本的鲜重
。
本专利技术通过应用深度学习模型对单个草莓果实的重量进行估算，提高了单个草莓果实重量估算的准确性
。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[0025]图1为本专利技术草莓果实重量确定方法流程图；
[0026]图2为本专利技术在实际应用中的模型构建与训练框图；
[0027]图3为本专利技术在实际应用中应用草莓果实重量确定方法用于草莓果实分级的流程图；
[0028]图4为本专利技术草莓数据集获取图；
[0029]图5为本专利技术
YOLOv8
草莓识别结果图；
[0030]图6为本专利技术草莓质量估算模型结构图
。
[0031]说明书附图标记说明：
[0032]1.
单个目标草莓的图像；
2.
第一卷积层；
3.
第一平均池化层；
4.
第二卷积层；
5.
第二平均池化层；
6.
第三卷积层；
7.
第三平均池化层；
8.
第四卷积层；
9.
第四平均池化层；
10.
第五卷积层；
11.
第五平均池化层；
12.
第六卷积层；
13.
全连接层
。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种草莓果实重量确定方法，其特征在于，所述确定方法包括：获取多个目标草莓的整体图像；应用单阶段目标检测模型对所述整体图像中的各个目标草莓进行分割，得到多张单个目标草莓的图像；将多张所述单个目标草莓的图像输入草莓质量估算模型，得到各单个目标草莓的鲜重；其中，所述草莓质量估算模型是通过训练集对深度学习模型进行训练得到的；所述深度学习模型包括依次连接的特征提取网络和回归网络；所述训练集包括多张单个草莓样本的图像和各所述单个草莓样本的鲜重
。2.
根据权利要求1所述的草莓果实重量确定方法，其特征在于，所述单阶段目标检测模型为
YOLOv8
模型
。3.
根据权利要求1所述的草莓果实重量确定方法，其特征在于，所述特征提取网络为
CNN
网络
。4.
根据权利要求1所述的草莓果实重量确定方法，其特征在于，所述回归网络包括全连接层和激活函数
。5.
根据权利要求1所述的草莓果实重量确定方法，其特征在于，所述深度学习模型的训练过程包括：以所述单个草莓样本的图像为输入，以对应的单个草莓样本的鲜重为输出...

【专利技术属性】
技术研发人员：王书胜，李捌，徐雷，
申请(专利权)人：江西达多科技有限公司，
类型：发明
国别省市：