CN109919930A - 基于卷积神经网络yolo v3的树上果实数量的统计方法 - Google Patents
基于卷积神经网络yolo v3的树上果实数量的统计方法 Download PDFInfo
- Publication number
- CN109919930A CN109919930A CN201910173825.6A CN201910173825A CN109919930A CN 109919930 A CN109919930 A CN 109919930A CN 201910173825 A CN201910173825 A CN 201910173825A CN 109919930 A CN109919930 A CN 109919930A
- Authority
- CN
- China
- Prior art keywords
- fruit
- yolo
- convolutional neural
- neural networks
- tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及精细农业技术领域,公开了一种基于卷积神经网络YOLO V3的树上果实数量的统计方法,包括:获取若干含有果实的果树的RGB图片,并进行预处理和标注,构建训练集;采用训练集对卷积神经网络YOLO V3进行训练,获得果实识别模型;获取待测果树的向阳面以及背阳面的整体RGB图片,进行预处理,获得若干待测果树图片;将获得的若干待测果树图片输入至果实识别模型,对所有待测果树图片中的果实数量进行统计求和,获得该棵果树上果实数量的初步估计值;将初步估计值乘以经验参数α,获得该棵果树上果实数量的统计值。该统计方法不受环境光条件、果实重叠以及叶片遮挡等干扰下的影响。
Description
技术领域
本发明涉及精细农业技术领域,尤其涉及一种基于卷积神经网络YOLO V3的树上果实数量的统计方法。
背景技术
在种植过程中,由于受自然环境、气候条件和病虫害等多种因素不同程度的影响,水果果树年产量表现出较大的波动性。因此研究果树年产量的变化规律,把握其动态特点,以对其进行科学准确的预测,以有效地指导生产。
目前,对果树产量的预测基本是通过经验观察来定性完成,其准确性有限,并且劳动量较大、效率低。
随着农业的发展,农业生产逐渐从机械化走向自动化、精准化,甚至智能化,国内外专家学者已将数字图像处理、双目立体视觉甚至深度学习的技术应用到果实的识别中。
例如,公开号为CN104700404A的中国专利文献公开了一种果实定位识别方法,利用神经网络颜色分类模型分割出果实像素区域;利用边缘检测算法对去除背景的果实像素区域图像进行边缘检测,检测出果实边界;利用图像中定位形状的霍夫变换技术对果实边缘图像进行霍夫变换的圆检测,获得果实圆及圆心位置,并且实现了对果实重叠区域的分割;基于图像深度信息,融合摄像头姿态信息和世界位置信息,采用世界坐标变换算法对每个果实圆心的世界坐标进行提取,实现果实的快速检测、精准定位和准确计数。
公开号为CN108021910A的中国专利文献公开了一种基于图谱识别和深度学习的果实分类的分析方法,利用移动机器人采集图像样本通过LMDB数据源的建立以及OpenCV图像预处理;在Caffe框架下进行网络参数的配置;利用CNN卷积神经网络算法构建标准模型,可以实现水果的分类和优选;并且绘制LOSS曲线判别曲线拟合程度。
然而,现有技术中依旧存在部分问题,使其不能很好地适用于实际生产过程,例如:现有识别技术识别率不高,鲁棒性较差,无法克服当果实被大量叶片遮挡时产生的问题;受自然光照条件得影响较大,需要严苛的环境光照条件等。
发明内容
本发明提供了一种基于卷积神经网络YOLO V3的树上果实数量的统计方法,可以解决由于光照条件和枝叶遮挡所产生的识别不准确的问题。
具体技术方案如下:
一种基于卷积神经网络YOLO V3的树上果实数量的统计方法,包括以下步骤:
(1)获取若干含有果实的果树的RGB图片,并进行预处理和标注,构建训练集;
(2)采用训练集对卷积神经网络YOLO V3进行训练,获得果实识别模型;
(3)获取待测果树的向阳面以及背阳面的整体RGB图片,进行预处理,获得若干待测果树图片;
(4)将获得的若干所述待测果树图片输入至所述的果实识别模型,获得每张待测果树图片中果实的具体位置及其边框;
(5)对所有待测果树图片中的果实数量进行统计求和,获得该棵果树上果实数量的初步估计值;
(6)将所述的初步估计值乘以经验参数α,获得该棵果树上果实数量的统计值;所述的经验参数α=1~1.5。
所述的卷积神经网络YOLO V3的结构参见参考文献:Redmon J,FarhadiA.Yolov3:An incremental improvement[J].arXiv preprint arXiv:1804.02767,2018。
卷积神经网络YOLO V3不受环境光条件、果实重叠以及叶片遮挡等干扰下的影响,当果实受遮挡而露出20%以下时,卷积神经网络YOLO V3依旧可以对其做出准确的识别,当果实的颜色与环境颜色相近时,卷积神经网络YOLO V3仍然具有较高的识别率。
所述的预处理包括:
(i)对图片进行切割,使其宽度与长度方向的像素数量比为0.8~1;
(ii)对图片进行分割,使图片中的单个果实所包含的像素数量是该图片所包含像素数量总和的1%以上;
分割方法是:将图片均分成4个形状与该图片相同的小图片。
所述的标注为:对图片上的果实进行识别,并标记每个果实在图片中的位置和边界信息。
训练过程中,将损失函数设置为:
其中,为第i个果实的位置和边界信息的预测值,(xi,yi,wi,hi)为第i个果实的位置和边界信息的标记值,是该网格包含一个对象的概率与预测边界框和标签边界框的交集IOU值的乘积,Ci是预测边界框与标签边界框的交集IOU值,为给定种类概率(0或1),pi(c)为预测种类为给定种类的概率(范围0~1,表示识别物体是当前种类(class)的概率),表示当有目标落在单元i的第j个bounding box中,表示当有目标落在单元i的所有bounding box中,λcoord和λnoobj为常数。
进一步优选的,λcoord=5,λnoobj=0.5。
为了节约计算资源,通过设置卷积神经网络YOLO V3,将训练样本的像素大小设置为416×416。
优选的,经验参数α=1.25。
与现有技术相比,本发明的有益效果为:
(1)本发明的统计方法不受环境光条件、果实重叠以及叶片遮挡等干扰下的影响,当果实受遮挡而露出20%以下时,卷积神经网络YOLO V3依旧可以对其做出准确的识别;
(2)当果实的颜色与环境颜色相近时,卷积神经网络YOLO V3仍然具有较高的识别率。
附图说明
图1为模型训练流程示意图;
图2为卷积神经网络YOLO V3的结构示意图;
图3为利用果实识别模型识别树上果实的流程示意图;
图4为利用果实识别模型识别树上果实的结果示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
一种基于卷积神经网络YOLO V3(yolo(version3))的树上果实目标识别方法,包括以下步骤:
一、构建训练集对卷积神经网络YOLO V3进行训练,如图1所示。
S1、构建训练集和测试集并进行预处理,具体步骤如如下(以尚未成熟的柑橘为例):
S1-1、将在imageNet数据库中获取的树上未成熟柑橘的RGB图片和从实验田中实地拍摄所取得RGB图像,创建成未成熟柑橘的图像数据集,按照具有光照变化、果实重叠现象变化、整体图像像素变化变化,随机从图像数据集中获取部分图像作为训练集。训练集用于建立预训练模型(即yolo(version3)卷积神经网络)
S1-2、通过数据采集人员或者机器人,在距离果树指定距离的位置用常规相机(包括手机相机),采集果树向阳面以及背面的整体RGB图像,作为测试集。测试集用来测试该预训练模型得泛化能力。
S1-3、对训练集和测试集中的图片样本进行预处理。若图片的长度与宽度像素数量不相近(即宽度与长度方向的像素数量比不在0.8~1之间),则对图片进行切割使其符合要求。
S1-4、若图片内果实所占比例过小(单个果实所包含的像素数量小于该图片所包含像素数量总和的1%),则对图片进行分割,分割步骤包括:将图片均分成4个小正方形,直至小图片符合要求,可避免yolo算法中每个格子可以预测B个bounding box,但是最终只选择IOU最高的bounding box作为物体检测输出,即每个格子最多只预测出一个物体的情况。
在本发明中,例如当物体占画面比例较小,若大图像中包含较小的葡萄串时,每个格子包含多个物体(葡萄),但却只能检测出其中一个,使得最终检测结果有误。
S1-5、对预处理后的训练集的图像进行标注,即对训练集中图片上的果实前进行人工识别,并使用labeling软件标记果实的位置和边界信息(x,y,w,h),其中(x,y)代表果实在图像上的坐标,(w,h)代表果实所在矩形的宽度和高度;
S2、利用训练集对卷积神经网络YOLO V3进行训练,具体包括如下步骤:
S2-1、将训练样本输入至卷积神经网络YOLO V3中,为了节约计算资源,通过设置卷积神经网络YOLO V3,将训练样本的像素大小更改为416×416;
S2-2、卷积神经网络YOLO V3的结构(参考文献:Redmon J,Farhadi A.Yolov3:Anincremental improvement[J].arXiv preprint arXiv:1804.02767,2018.)如图2所示,包括表1中各层:
表1卷积神经网络YOLO V3的结构
训练过程中,将损失函数设置为:
其中,为第i个果实的位置和边界信息的预测值,(xi,yi,wi,hi)为第i个果实的位置和边界信息的标记值,是该网格包含一个对象的概率与预测边界框和标签边界框的交集IOU值的乘积,Ci是预测边界框与标签边界框的交集IOU值,为给定种类概率(0或1),pi(c)为预测种类为给定种类的概率(范围0~1,表示识别物体是当前种类(class)的概率),表示当有目标落在单元i的第j个bounding box中,表示当有目标落在单元i的所有bounding box中,λcoord=5,λnoobj=0.5。
S2-3、经过训练集训练后,获得识别模型。
S3、采用识别模型对果树上果实数量进行统计,包括如下步骤:
S3-1、将预处理后的测试集图像输入至识别模型中,计算出测试样本图像中所有果实的具体位置以及其边框,如图3所示。
S3-2、将同一颗果树正面与背面的所有图片中果实数量进行统计求和,获得该果树上果实数量的初步估计值SUM。
S3-3、将初步估计值SUM乘以一个经验参数α,获得该棵果树上果实的统计值K。经验参数α=1.25。
通过测试集对果实识别模型进行测试,其识别准确率为95%左右。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于卷积神经网络YOLO V3的树上果实数量的统计方法,其特征在于,包括以下步骤:
(1)获取若干含有果实的果树的RGB图片,并进行预处理和标注,构建训练集;
(2)采用训练集对卷积神经网络YOLO V3进行训练,获得果实识别模型;
(3)获取待测果树的向阳面以及背阳面的整体RGB图片,进行预处理,获得若干待测果树图片;
(4)将获得的若干所述待测果树图片输入至所述的果实识别模型,获得每张待测果树图片中果实的具体位置及其边框;
(5)对所有待测果树图片中的果实数量进行统计求和,获得该棵果树上果实数量的初步估计值;
(6)将所述的初步估计值乘以经验参数α,获得该棵果树上果实数量的统计值;所述的经验参数α=1~1.5。
2.根据权利要求1所述的基于卷积神经网络YOLO V3的树上果实数量的统计方法,其特征在于,所述的预处理包括:
(i)对训练集中的图片进行切割,使其宽度与长度方向的像素数量比为0.8~1;
(ii)对训练集中的图片进行分割,使图片中的单个果实所包含的像素数量是该图片所包含像素数量总和的1%以上。
3.根据权利要求2所述的基于卷积神经网络YOLO V3的树上果实数量的统计方法,其特征在于,分割方法是:将图片均分成4个形状与该图片相同的小图片。
4.根据权利要求1所述的基于卷积神经网络YOLO V3的树上果实数量的统计方法,其特征在于,所述的标注为:对图片上的果实进行识别,并标记每个果实在图片中的位置和边界信息。
5.根据权利要求1所述的基于卷积神经网络YOLO V3的树上果实数量的统计方法,其特征在于,所述的卷积神经网络YOLO V3的结构参见参考文献:Redmon J,Farhadi A.Yolov3:An incremental improvement[J].arXiv preprint arXiv:1804.02767,2018。
6.根据权利要求5所述的基于卷积神经网络YOLO V3的树上果实数量的统计方法,其特征在于,训练过程中,将损失函数设置为:
其中,为第i个果实的位置和边界信息的预测值,(xi,yi,wi,hi)为第i个果实的位置和边界信息的标记值,是该网格包含一个对象的概率与预测边界框和标签边界框的交集IOU值的乘积,Ci是预测边界框与标签边界框的交集IOU值,为给定种类概率(0或1),pi(c)为预测种类为给定种类的概率(范围0~1,表示识别物体是当前种类(class)的概率),表示当有目标落在单元i的第j个bounding box中,表示当有目标落在单元i的所有bounding box中,λcoord和λnoobj为常数。
7.根据权利要求6所述的基于卷积神经网络YOLO V3的树上果实数量的统计方法,其特征在于,λcoord=5,λnoobj=0.5。
8.根据权利要求5所述的基于卷积神经网络YOLO V3的树上果实数量的统计方法,其特征在于,通过设置卷积神经网络YOLO V3,将训练样本的像素大小设置为416×416。
9.根据权利要求1所述的基于卷积神经网络YOLO V3的树上果实数量的统计方法,其特征在于,经验参数α=1.25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910173825.6A CN109919930A (zh) | 2019-03-07 | 2019-03-07 | 基于卷积神经网络yolo v3的树上果实数量的统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910173825.6A CN109919930A (zh) | 2019-03-07 | 2019-03-07 | 基于卷积神经网络yolo v3的树上果实数量的统计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919930A true CN109919930A (zh) | 2019-06-21 |
Family
ID=66963794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910173825.6A Pending CN109919930A (zh) | 2019-03-07 | 2019-03-07 | 基于卷积神经网络yolo v3的树上果实数量的统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919930A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692352A (zh) * | 2019-09-19 | 2020-01-17 | 北京农业智能装备技术研究中心 | 一种智能农业机器人及其控制方法 |
CN110796011A (zh) * | 2019-09-29 | 2020-02-14 | 湖北工程学院 | 一种基于深度学习的稻穗识别方法、系统、装置及介质 |
CN110866476A (zh) * | 2019-11-06 | 2020-03-06 | 南京信息职业技术学院 | 一种基于自动标注和迁移学习的密集堆垛目标检测方法 |
CN111079839A (zh) * | 2019-12-16 | 2020-04-28 | 杭州电子科技大学 | 基于深度学习的自动实时评估啮齿动物疼痛程度的方法 |
CN111337789A (zh) * | 2019-10-23 | 2020-06-26 | 西安科技大学 | 一种高压输电线路中故障电气元件检测方法及检测系统 |
CN111667450A (zh) * | 2019-12-23 | 2020-09-15 | 珠海大横琴科技发展有限公司 | 一种船只数量统计方法、装置及电子设备 |
CN113076819A (zh) * | 2021-03-17 | 2021-07-06 | 山东师范大学 | 同色系背景下的果实识别方法、装置及果实采摘机器人 |
CN113553948A (zh) * | 2021-07-23 | 2021-10-26 | 中远海运科技(北京)有限公司 | 烟虫自动识别和计数方法、计算机可读介质 |
CN113807309A (zh) * | 2021-09-28 | 2021-12-17 | 北京石油化工学院 | 一种基于深度学习的果园机械行走路线规划方法 |
CN116994244A (zh) * | 2023-08-16 | 2023-11-03 | 临海市特产技术推广总站(临海市柑桔产业技术协同创新中心) | 一种基于Yolov8的柑橘树体果实产量评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633199A (zh) * | 2017-08-07 | 2018-01-26 | 浙江工业大学 | 一种基于深度学习的苹果采摘机器人果实目标检测方法 |
CN109409365A (zh) * | 2018-10-25 | 2019-03-01 | 江苏德劭信息科技有限公司 | 一种基于深度目标检测的待采摘水果识别和定位方法 |
-
2019
- 2019-03-07 CN CN201910173825.6A patent/CN109919930A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633199A (zh) * | 2017-08-07 | 2018-01-26 | 浙江工业大学 | 一种基于深度学习的苹果采摘机器人果实目标检测方法 |
CN109409365A (zh) * | 2018-10-25 | 2019-03-01 | 江苏德劭信息科技有限公司 | 一种基于深度目标检测的待采摘水果识别和定位方法 |
Non-Patent Citations (6)
Title |
---|
D. STAJNKO等: "Estimation of number and diameter of apple fruits in an orchard during the growing season by thermal imaging", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
JOSEPH REDMON等: "YOLO9000: Better, Faster, Stronger", 《HTTPS://ARXIV.ORG/ABS/1612.08242》 * |
JOSEPH REDMON等: "YOLOv3: An Incremental Improvement", 《HTTPS://ARXIV.ORG/ABS/1804.02767》 * |
JOSEPH REDMON等: "You Only Look Once: Unified, Real-Time Object Detection", 《HTTPS://ARXIV.ORG/ABS/1506.02640》 * |
薛月菊 等: "未成熟芒果的改进YOLOv2识别方法", 《农业工程学报》 * |
赵德安 等: "基于YOLO深度卷积神经网络的复杂背景下机器人采摘苹果定位", 《农业工程学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692352A (zh) * | 2019-09-19 | 2020-01-17 | 北京农业智能装备技术研究中心 | 一种智能农业机器人及其控制方法 |
CN110692352B (zh) * | 2019-09-19 | 2021-12-07 | 北京农业智能装备技术研究中心 | 一种智能农业机器人及其控制方法 |
CN110796011B (zh) * | 2019-09-29 | 2022-04-12 | 湖北工程学院 | 一种基于深度学习的稻穗识别方法、系统、装置及介质 |
CN110796011A (zh) * | 2019-09-29 | 2020-02-14 | 湖北工程学院 | 一种基于深度学习的稻穗识别方法、系统、装置及介质 |
CN111337789A (zh) * | 2019-10-23 | 2020-06-26 | 西安科技大学 | 一种高压输电线路中故障电气元件检测方法及检测系统 |
CN110866476A (zh) * | 2019-11-06 | 2020-03-06 | 南京信息职业技术学院 | 一种基于自动标注和迁移学习的密集堆垛目标检测方法 |
CN110866476B (zh) * | 2019-11-06 | 2023-09-01 | 南京信息职业技术学院 | 一种基于自动标注和迁移学习的密集堆垛目标检测方法 |
CN111079839A (zh) * | 2019-12-16 | 2020-04-28 | 杭州电子科技大学 | 基于深度学习的自动实时评估啮齿动物疼痛程度的方法 |
CN111667450A (zh) * | 2019-12-23 | 2020-09-15 | 珠海大横琴科技发展有限公司 | 一种船只数量统计方法、装置及电子设备 |
CN113076819A (zh) * | 2021-03-17 | 2021-07-06 | 山东师范大学 | 同色系背景下的果实识别方法、装置及果实采摘机器人 |
CN113553948A (zh) * | 2021-07-23 | 2021-10-26 | 中远海运科技(北京)有限公司 | 烟虫自动识别和计数方法、计算机可读介质 |
CN113807309A (zh) * | 2021-09-28 | 2021-12-17 | 北京石油化工学院 | 一种基于深度学习的果园机械行走路线规划方法 |
CN113807309B (zh) * | 2021-09-28 | 2023-07-18 | 北京石油化工学院 | 一种基于深度学习的果园机械行走路线规划方法 |
CN116994244A (zh) * | 2023-08-16 | 2023-11-03 | 临海市特产技术推广总站(临海市柑桔产业技术协同创新中心) | 一种基于Yolov8的柑橘树体果实产量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919930A (zh) | 基于卷积神经网络yolo v3的树上果实数量的统计方法 | |
Wu et al. | Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments | |
Song et al. | Kiwifruit detection in field images using Faster R-CNN with VGG16 | |
Wu et al. | Rachis detection and three-dimensional localization of cut off point for vision-based banana robot | |
CN110378909A (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
Fu et al. | Fast and accurate detection of banana fruits in complex background orchards | |
Chen et al. | Citrus fruits maturity detection in natural environments based on convolutional neural networks and visual saliency map | |
CN110569786B (zh) | 一种基于无人机数据采集的果树识别和数量监测方法及系统 | |
Tian et al. | Application status and challenges of machine vision in plant factory—A review | |
CN109948444A (zh) | 基于cnn的果实与障碍物的同步识别方法、系统与机器人 | |
CN106599915B (zh) | 一种车载激光点云分类方法 | |
CN110852186B (zh) | 一种树上柑橘的视觉识别与采摘顺序规划方法及其仿真系统 | |
CN114067206B (zh) | 一种基于深度图像的球形果实识别定位方法 | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
Zhang et al. | Dragon fruit detection in natural orchard environment by integrating lightweight network and attention mechanism | |
Liu et al. | Development of a machine vision algorithm for recognition of peach fruit in a natural scene | |
CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
Hou et al. | Detection and localization of citrus fruit based on improved You Only Look Once v5s and binocular vision in the orchard | |
Zheng et al. | YOLOv4-lite–based urban plantation tree detection and positioning with high-resolution remote sensing imagery | |
Miao et al. | Crop weed identification system based on convolutional neural network | |
CN109657540A (zh) | 枯死树定位方法及系统 | |
Suo et al. | A novel labeling strategy to improve apple seedling segmentation using BlendMask for online grading | |
CN103617417A (zh) | 植物自动识别方法和系统 | |
Zhang et al. | Recognition and detection of wolfberry in the natural background based on improved YOLOv5 network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |