[发明专利]一种基于深度学习的果实识别方法在审
| 申请号： | 202210188728.6 | 申请日： | 2022-02-28 |
| 公开（公告）号： | CN114565864A | 公开（公告）日： | 2022-05-31 |
| 发明（设计）人： | 章军;胡涛;陈鹏;夏懿;王儒敬;陈建峰;牛子寒;王刘向;黄琼娇;路宝榕;许浪 | 申请（专利权）人： | 中科合肥智慧农业协同创新研究院 |
| 主分类号： | G06V20/17 | 分类号： | G06V20/17;G06V20/68;G06V10/25;G06V10/774;G06V10/82;G06K9/62;G06N3/04 |
| 代理公司： | 合肥国和专利代理事务所(普通合伙) 34131 | 代理人： | 张祥骞 |
| 地址： | 230031 安徽省合肥市长丰县双*** | 国省代码： | 安徽;34 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 深度 学习 果实 识别 方法 | ||
1.一种基于深度学习的果实识别方法，其特征在于，包括：
获取拍摄图像；所述拍摄图像包括果实对象；
基于TPH-YOLOv5模型执行果实对象的检测；
所述TPH-YOLOv5模型包括Transformer编码器预测头和yolo-v5主干网络；所述Transformer编码器包含多头注意模块和前馈神经网络MLP模块；
所述多头注意模块基于卷积块注意模块CBAM来实现，用于提取注意区域。
2.根据权利要求1所述的基于深度学习的果实识别方法，其特征在于，所述方法还包括事先训练TPH-YOLOv5模型，所述训练过程包括：
获取样本集合，并进行初始化操作；
将样本数据集输入至TPH-YOLOv5模型，将预测结果与真实结果比对，计算损失函数，并更新网络权重；
若达到预设的迭代次数，则结束训练。
3.根据权利要求2所述的基于深度学习的果实识别方法，其特征在于，所述初始化操作，包括：对训练样本集合中的图像进行翻转、随机裁剪、旋转、局部变形；以及对样本集合进行标注，扩充。
4.根据权利要求3所述的基于深度学习的果实识别方法，其特征在于，所述对样本集合进行扩充，包括：
对所述样本集合进行数据增强处理，通过样本集合中的图像随机缩放、裁剪、平移、剪切和旋转，并更新标注信息。
5.一种基于深度学习的果实识别装置，其特征在于，包括：
获取模块，获取拍摄图像；所述拍摄图像包括果实对象；
检测模块，基于TPH-YOLOv5模型执行果实对象的检测；
所述TPH-YOLOv5模型包括Transformer编码器预测头；所述Transformer编码器包含多头注意模块和前馈神经网络MLP模块；
所述多头注意模块基于卷积块注意模块CBAM来实现，用于提取注意区域。
6.根据权利要求5所述的基于深度学习的果实识别装置，其特征在于，所述装置还包括训练模块，用于事先训练TPH-YOLOv5模型，所述训练过程包括：
获取样本集合，并进行初始化操作；
将样本数据集输入至TPH-YOLOv5模型，将预测结果与真实结果比对，计算损失函数，并更新网络权重；
若达到预设的迭代次数，则结束训练。
7.根据权利要求6所述的基于深度学习的果实识别装置，其特征在于，所述初始化操作，包括：对训练样本集合中的图像进行翻转、随机裁剪、旋转、局部变形；以及对样本集合进行标注，扩充。
8.根据权利要求7所述的基于深度学习的果实识别装置，其特征在于，所述对样本集合进行扩充，包括：
对所述样本集合进行数据增强处理，通过样本集合中的图像随机缩放、裁剪、平移、剪切和旋转，并更新标注信息。
9.一种计算机存储介质，所述计算机存储介质存储有程序；所述程序由处理器加载并执行以实现如上述权利要求1-4任一项所述的基于深度学习的果实识别方法。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中科合肥智慧农业协同创新研究院，未经中科合肥智慧农业协同创新研究院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202210188728.6/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种铁轨焊接打磨装置
- 下一篇：一种备电保护的控制方法、系统及相关组件
