CN112613438A - 一种便携式柑橘在线测产仪 - Google Patents
一种便携式柑橘在线测产仪 Download PDFInfo
- Publication number
- CN112613438A CN112613438A CN202011588652.3A CN202011588652A CN112613438A CN 112613438 A CN112613438 A CN 112613438A CN 202011588652 A CN202011588652 A CN 202011588652A CN 112613438 A CN112613438 A CN 112613438A
- Authority
- CN
- China
- Prior art keywords
- edge computing
- citrus
- yield
- portable
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种便携式柑橘在线测产仪,包括:边缘计算设备和与边缘计算设备连接的显示屏;边缘计算设备上安装摄像头;边缘计算设备外接第一供电电源模块;显示屏外接第二供电电源模块;边缘计算设备内置改进的YOLOv4‑tiny轻量级神经网络模型,用于根据获取的图像进行分析处理,实现对检测范围内柑橘的产量进行预测。该测产仪结构较为简单、便携性高,可满足现场实时检测;以边缘计算嵌入式硬件平台为载体,使用改进的YOLOv4‑tiny轻量级神经网络算法,具有果实识别率高及识别速度快等特点,可提高劳动生产率,进而为我国水果产业的产量预测提出新的解决方案。
Description
技术领域
本发明涉及智慧农业技术领域,特别涉及一种便携式柑橘在线测产仪。
背景技术
中国是一个水果生产大国,但柑橘、荔枝、龙眼等南方特色水果大部分种植在丘陵山地。山地果园作业环境复杂,山地坡度大,传统作业机械难于进入,果园生产大多依靠人力,生产效率低,劳动强度大。果实识别是实现南方山地果园精细化管理、产量预测、以及果实自动采摘的关键技术环节。
在果园测产工作方面,国内外学者基于颜色特征、超声波、航空图像等方法进行了较多研究工作。在研究过程中,研究人员曾使用传统图像处理方法,设计了基于机器视觉的柑橘果实实时测产系统,通过阈值分割法将RGB颜色模型中的柑橘从背景中分离出来,并进一步分析柑橘识别个数与产量的关系;但是,该研究难以处理自然条件下的复杂图像,柑橘识别数量与产量之间的相关系数较低,实时性和智能性有待进一步提高。另外,研究人员曾利用无人机遥感结合航空高光谱图像来测量柑橘产量;但是,无人机遥感影像质量受果园天气情况的影响较大,采集数据对太阳光照有较高的要求,高空作业具有一定的局限性。
在最近几年的人工智能的工作中,深度学习与卷积神经网络的发展带给目标检测方向质的飞跃,提供了良好的效果。然而,当前基于深度学习的目标检测大多都停留在服务器端对单张静止的图片进行检测,对于柑橘测产这些需要有实地检测的作业来说,无法满足实时性和便携性两个条件,运用到实际场景中还有些困难。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的便携式柑橘在线测产仪,方便果农进行柑橘测产作业。
本发明实施例提供一种便携式柑橘在线测产仪,包括:边缘计算设备和与所述边缘计算设备连接的显示屏;所述边缘计算设备上安装摄像头;所述边缘计算设备外接第一供电电源模块;所述显示屏外接第二供电电源模块;
所述边缘计算设备内置改进的YOLOv4-tiny轻量级神经网络模型,用于根据获取的图像进行分析处理,实现对检测范围内柑橘的产量进行预测。
在一个实施例中,所述边缘计算设备具有金属外壳;在所述外壳的内部设有PWM调速风扇。
在一个实施例中,所述第一供电电源模块为2600mAh,5V的板载电池;
所述第二供电电源模块为5000mAh,12V的可均衡充电锂电池。
在一个实施例中,所述边缘计算设备包括:
图片输入模块,用于获取柑橘的图片和/或视频数据集;
数据处理模块,用于对图片输入模块获取的图片或视频数据集,按照预设规则进行处理,并对处理后数据进行数据增强处理;
图像识别模块,用于对数据处理模块处理后的图片进行多尺度预测,由核心算法处理,对柑橘果实进行识别,并对检测范围内柑橘的产量进行预测。
在一个实施例中,所述图像识别模块中的核心算法使用的网络架构为改进的YOLOv4-tiny轻量级神经网络模型;环境配置为Ubuntu16.04,使用四核Cortex-A57 CPU,配置4GBLPDDR4内存以及16GB的存储空间。
在一个实施例中,所述改进的YOLOv4-tiny轻量级神经网络模型通过合并BN层到卷积层、使用K-means聚类算法改变先验框大小、以及采用损失函数GIOU。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种便携式柑橘在线测产仪,包括:边缘计算设备和与所述边缘计算设备连接的显示屏;所述边缘计算设备上安装摄像头;所述边缘计算设备外接第一供电电源模块;所述显示屏外接第二供电电源模块;所述边缘计算设备内置改进的YOLOv4-tiny轻量级神经网络模型,用于根据获取的图像进行分析处理,实现对检测范围内柑橘的产量进行预测。该测产仪结构较为简单、便携性高,可满足现场实时检测;通过以边缘计算嵌入式硬件平台为载体,使用改进的YOLOv4-tiny轻量级神经网络算法,结合OpenCV图像处理数据库,可实现自然环境下果树二维图像数据高效处理、果实成熟度智能识别与精准定位,具有果实识别率高及识别速度快等特点,可提高劳动生产率,进而为我国水果产业的产量预测提出新的解决方案。在具体的实施过程中,测产是实现变量管理的第一步,也为发展山地果园智能化产业链管理提供新的思路。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的便携式柑橘在线测产仪的结构图;
图2为本发明实施例提供的边缘计算设备的结构爆炸图;
图3为本发明实施例提供的便携式柑橘在线测产仪的使用流程图;
附图中,1-边缘计算设备;2-显示屏;3-摄像头;4-第一供电电源模块;11-固定支架;12-外壳上半部分;13-外壳下半部分;14-PWM调速风扇;15-嵌入式设备;16-引线。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1-2所示,本发明实施例提供的一种便携式柑橘在线测产仪,包括边缘计算设备1和与边缘计算设备1连接的显示屏2;边缘计算设备1上安装摄像头3;边缘计算设备1和显示屏2分别具有独立的供电电源模块;整个测产仪由多个可拆卸的组件连接构成,方便携带。
其中,为进一步满足在户外场景的实用性,可优选LED显示屏,相比液晶显示屏,视觉冲击力强,且使用寿命长,可以长时间在户外工作。采用单目摄像头即可满足图片或视频的采集,实现对目标的识别;因没有测距的需求,也可以降低成本,故优选单目摄像头。
如图2所示,该边缘计算设备的外部包含一套金属外壳,外壳内部设有PWM调速风扇,保证携带方便的同时,以提供足够的散热效果。
上述边缘计算设备1内置改进的YOLOv4-tiny轻量级神经网络模型,用于根据获取的图像进行分析处理,实现对检测范围内柑橘的产量进行预测。该测产仪结构较为简单、便携性高,可满足现场实时检测;通过以边缘计算嵌入式硬件平台为载体,使用改进的YOLOv4-tiny轻量级神经网络算法,结合OpenCV图像处理数据库,可实现自然环境下果树二维图像数据高效处理、果实成熟度智能识别与精准定位,具有果实识别率高及识别速度快等特点,可提高劳动生产率,进而为我国水果产业的产量预测提出新的解决方案。在具体的实施过程中,测产是实现变量管理的第一步,也为发展山地果园智能化产业链管理提供新的思路。
进一步地,在图1中,第一供电电源模块4与边缘计算设备1连接,用于提供电量支持;可选用为2600mAh,5V的板载电池;第二供电电源模块为5000mAh,12V的可均衡充电锂电池(图中未示意),为显示屏2提供电量支持;独立电源模块设计便于更换和充电,提高便携性。摄像头3与边缘计算设备1连接,提供摄像信息传输功能,将收集到的信息提供给算法检测,来支持协助其工作,带来直观的可视化效果,显示屏2与边缘计算设备1相连接,用于可视化生成的结果。
如图2所示,边缘计算设备1上设有固定支架11,作为摄像头的安装位置,在此处将单目摄像头固定,由其提供拍摄工作。其中,边缘计算设备1外壳分为两部分,金属外壳上半部分12,外壳下半部分13。其中,PWM调速风扇14固定在金属外壳上半部分12处,为下方固定嵌入式设备15提供散热功能;将引线16安装在嵌入式设备15并外接2600mAh,5V板载电池,为整个设备提供供电功能。将嵌入式设备15、引线16连接后,固定于外壳下半部分13上后,再与上外壳上半部分12组装成为整体,完成整体测产仪的安装。
边缘计算设备1功能丰富,处理能力强,该设备可以作为软件开发环境,至少可以使不同软件并进行测试,可以是软件开发工具、终端、系统、测试工具、或者外部系统设备的应用,且将神经网络检测算法移植到设备内部,配置环境与调试参数,由于神经网络算法模型较大,无法很好的移植到边缘计算设备端,因此使用改进的YOLOv4-tiny轻量级神经网络模型,来更快的加速模型,增加模型鲁棒性。设备至少为两个可与其连接的外部组件提供了接口,串联起整个设备的数据传输,可更全面的丰富柑橘识别设备完整性,使整个测产仪具有良好的扩展性。
进一步地,上述嵌入式设备15,包括:Maxwell架构显卡和嵌入式开发板;Maxwell架构显卡的便携、低功耗嵌入式开发板当作外界USB接口的主机,电源模块为硬件设备提供电能支撑,独立部分可连接其他有必要的外接设备来调整设备完整性,单目摄像头与上述开发板直接相连,用于传输摄像头拍摄到的实时视频信息并传输到核心算法中,实现外部场景与硬件设备直接的数据交互传输,使用已训练好的权重文件加载到模型中进行逐帧检测。当设备接收到柑橘图像信息,模型将输入图像调整尺寸大小,进行分类和回归检测,得到预测框后进行非极大值抑制,获得最终的检测框,后传输到显示屏进行显示。
为符合本发明需要在山地果园中较为陡峭的坡度进行检测识别,本发明使用便携轻巧的嵌入式设备并设计外壳套装,装备黑色长方体金属外壳,将其中的外接电源模块(第一供电电源模块)替换为2600mAh,5V板载电池通过引线相连,并固定在金属外壳上。将显示屏中原有的供电模块替换为5000mAh,12V可均衡充电锂电池,不需要特殊固定的供电方式,可方便携带。满足识别设备的便携性。
本发明实施例提供的便携式柑橘在线测产仪,适用于白天、阴天、光照正常的情况下进行识别,使用固定在金属外壳上的摄像头对柑橘果树东南西北四个角度进行图片的拍摄,传入内置的改进的YOLOv4-tiny轻量级神经网络算法,计算和统计每张图片中的柑橘数量。也可开启摄像头的视频模式,对柑橘果树进行环绕拍摄一周,通过提取相隔一定数量帧数图像,利用上述算法计算提取出图像的柑橘数量,来判断柑橘总量。
下面从计算边缘设备内置的软件算法进行详细的说明。
上述边缘计算设备包括:
图片输入模块,用于获取柑橘的图片和/或视频数据集;
数据处理模块,用于对图片输入模块获取的图片或视频数据集,按照预设规则进行处理,并对处理后数据进行数据增强处理;该预设规则为统一为固定的分辨率。
图像识别模块,用于对数据处理模块处理后的图片进行多尺度预测,由核心算法处理,对柑橘果实进行识别,并对检测范围内柑橘的产量进行预测。
其中,图像识别模块中的核心算法使用的网络架构为改进的YOLOv4-tiny轻量级神经网络模型;环境配置为Ubuntu16.04,使用四核Cortex-A57 CPU,配置4GBLPDDR4内存以及16GB的存储空间。上述环境配置可提供足够的计算性能支撑,并提供良好的扩展性。
本发明使用的上述算法需要先将摄像头提取到的柑橘图像,比如统一为416*416的分辨率送入图片输入模块,使用CSPdarknet-tiny作为主要的特征提取网络;使用LeakyReLU激活函数,在对精度影响较小的情况下,有着训练速度快,推断速度快的优点;再接上不同尺度的特征融合结构对两个多个特征层进行特征融合,获得更有效、更深层的特征信息,增强网络的拟合性,使检测的效果更有效、检测速度更快。
上述边缘计算设备内含嵌入式开发板,作为整个设备的中央处理器,对传输进来的图片调整其尺寸,得到预测框后进行非极大值抑制得分较低的预测框,获得最终的预测框,也可以对摄像头拍摄到的视频进行柑橘实景检测,再进行进一步分析。可以调用算法打开摄像头进行实际场景的柑橘检测,后再进行可视化处理,观察柑橘的检测效果,移动性好,操作简单,可随时随地的对柑橘果实进行识别。
轻量级神经网络算法及改进:
由于设备内存、显存与现有的服务器端相比相差甚远,所需的神经网络算法结构需轻巧简单。因此,对现有的神经网络算法YOLOv4-tiny进行改进。
a>合并BN层到卷积层:Batch Normalization层一般紧跟卷积层之后,对数据进行归一化处理,然后再送入到网络的下一层,使得一个mini-batch中的所有样本都被关联在了一起,从而网络的输出不在局限于样本自身,可有效地解决梯度消失与梯度爆炸的问题,一定程度上解决了过拟合。BN层既可以避免网络的过拟合问题,也可以加快网络的收敛速度。本算法将BN层合并到卷积层,在不影响精度的情况下,加快模型的推理速度。
b>使用K-means聚类算法改变先验框大小,在本发明实施例使用的柑橘数据集中,由于柑橘果实相互之间的重叠效果严重、柑橘果实较小、与树叶之间的密集遮挡等问题,对柑橘的检测造成了相对程度的困难,原始的先验框大小无法最大化匹配柑橘此类小目标(本发明实施例小目标定义:将图像resize到416×416像素大小后,目标物体小于32×32像素),故通过k-means聚类算法重新聚类来计算适合柑橘图像的先验框大小。
c>IOU是深度学习目标检测算性能mAP值计算的重要函数,全称为交并比,包含了作为度量的非负性,不确定对称性和三角不等性等很多属性,计算了图像产生的候选框与原始数据标注标准框的重叠度,可以很好的反映检测出边界框的优劣性,IOU可以直接作为目标损失函数被优化,简单有效。但是传统的IOU存在很多缺点:当两个目标框并没有相交时,IOU=0,不能反映两框之间的度量情况,在深度学习网络中很难传播训练。本发明实施例则使用GIOU函数适合对柑橘的目标检测,更能保证检测到柑橘的精确度。
本发明实施例提供的便携式柑橘在线测产仪使用过程如图3所示,对自制的柑橘数据集进行标注,在2080TI服务器端进行算法优化后,训练得到对柑橘检测的YOLOv4-tiny模型文件;然后将训练好的模型文件移植到Jetson nano开发板并调整参数,配置环境;使用配置好的YOLOv4-tiny网络模型进行柑橘检测和测试,分为三种情况:其一,对视频进行检测,将视频进行读取逐帧识别;其二,对图片进行检测,读入图片并调整图片尺寸,得到预测框后进行非极大值抑制,获得最终检测框;其三,对场景进行检测,调用外部单目摄像头,对柑橘树进行实景检测。
柑橘数据的处理以及评估过程如下:
本发明中算法模块训练时使用的柑橘图像拍摄于湖南省宜章县的柑橘果园,其中室外拍摄柑橘图像1413张,室内拍摄柑橘图像200张,并提取COCO数据集中橘子一类,经筛选后选出400张图像。为加强数据的多样化,提高样本的鲁棒性,使用Matlab软件对已有的柑橘图像分成5组,对每组柑橘图像进行调整其亮度、对比度、色彩饱和度等变换,并进行不同程度的裁剪,共获得数据集图像2913张。
将上述柑橘图片整理,使用LambleImg图像标注工具来对图像中的柑橘目标进行标注。共有标注目标9622个,将数据集分按70%、20%、10%的比例分为训练集、验证集、测试集各2039张、582张和292张。将上述整理的数据集放入神经网络训练,得到最终的柑橘检测所需权重文件。
本发明使用YOLOv4-tiny算法在COCO数据集上得到的预训练权重进行迁移学习,通过反向传播算法来更新参数,不断回传参数来降低损失值,在训练过程中,使用多尺度训练策略,提高模型识别不同分辨率柑橘图像的效果。并显著提高了在GPU上的训练速度,可以在单个GPU上快速训练,有效降低了训练时间和资源使用。评估标准使用了精准率(precision)、对单张图片的处理速度(speed)和对视频帧的处理速度(FPS/s)作为评价指标。并通过算法统计每张图像上的柑橘数量。
数据可视化显示:
由核心算法处理检测到的柑橘图像、视频通过显示屏带来直接的可视化效果,显示屏连接在嵌入式开发板上,可显示图片、视频以及摄像头拍摄到的场景带来的直接效果,并根据算法显示出标注出的柑橘,在无外界严重干扰的情况下,可随时随地对柑橘进行检测,无需其他的专用设备,移动性好,操作简单,更加直观的观察柑橘的检测情况。
本发明以“人工智能+智慧农业”为导向,提出将神经网络算法移植到AI嵌入式硬件平台,使用适用于硬件平台的YOLO系列轻量级算法,确保实现目标果实成熟度的实时精准识别功能。提高了山地果园测产技术的智能性和测产装备的便携性,进一步扩展了人工智能在农业工程领域的应用范畴。从而实现农业高效化、精细化、绿色化。
本发明实施例提供的便携式柑橘在线测产仪,将机器视觉技术与嵌入式平台相结合,可对柑橘果园进行实时精准测产,符合精细农业由机械化向自动化、信息化、智能化发展的方向,具有较好的应用价值。提高柑橘果园测产工作效率,进而提高农业生产科技含量,并进一步实现助力精准扶贫,帮助果农脱贫致富;能够实现山地果园实时精准测产功能,进而为山地果园产业链的不同层级对象的生产决策提供可靠数据支持。
本发明实施例结合边缘计算设备、目标果实成熟度识别与目标检测算法移植,以及算法在前端平台的优化和加速,完成果实识别与定位算法兼容性和适配性。在边缘计算设备中使用改进后的算法检测的准确率(AP)值达到93.01%,当得分阈值设为0.25时,召回率(recall)达到97%,平均IOU(Average IOU)为82.15%,对单张图片的测试速度达到0.15s,对视频的测试速率可以达到16FPS/s,满足对柑橘检测的实时性和测产仪的便携性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种便携式柑橘在线测产仪,其特征在于,包括:边缘计算设备和与所述边缘计算设备连接的显示屏;所述边缘计算设备上安装摄像头;所述边缘计算设备外接第一供电电源模块;所述显示屏外接第二供电电源模块;
所述边缘计算设备内置改进的YOLOv4-tiny轻量级神经网络模型,用于根据获取的图像进行分析处理,实现对检测范围内柑橘的产量进行预测。
2.如权利要求1所述的一种便携式柑橘在线测产仪,其特征在于,所述边缘计算设备具有金属外壳;在所述外壳的内部设有PWM调速风扇。
3.如权利要求1所述的一种便携式柑橘在线测产仪,其特征在于,所述第一供电电源模块为2600mAh,5V的板载电池;
所述第二供电电源模块为5000mAh,12V的可均衡充电锂电池。
4.如权利要求1所述的一种便携式柑橘在线测产仪,其特征在于,所述边缘计算设备包括:
图片输入模块,用于获取柑橘的图片和/或视频数据集;
数据处理模块,用于对图片输入模块获取的图片或视频数据集,按照预设规则进行处理,并对处理后数据进行数据增强处理;
图像识别模块,用于对数据处理模块处理后的图片进行多尺度预测,由核心算法处理,对柑橘果实进行识别,并对检测范围内柑橘的产量进行预测。
5.如权利要求4所述的一种便携式柑橘在线测产仪,其特征在于,所述图像识别模块中的核心算法使用的网络架构为改进的YOLOv4-tiny轻量级神经网络模型;环境配置为Ubuntu16.04,使用四核Cortex-A57 CPU,配置4GBLPDDR4内存以及16GB的存储空间。
6.如权利要求5所述的一种便携式柑橘在线测产仪,其特征在于,所述改进的YOLOv4-tiny轻量级神经网络模型通过合并BN层到卷积层、使用K-means聚类算法改变先验框大小、以及采用损失函数GIOU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011588652.3A CN112613438A (zh) | 2020-12-29 | 2020-12-29 | 一种便携式柑橘在线测产仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011588652.3A CN112613438A (zh) | 2020-12-29 | 2020-12-29 | 一种便携式柑橘在线测产仪 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613438A true CN112613438A (zh) | 2021-04-06 |
Family
ID=75248667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011588652.3A Pending CN112613438A (zh) | 2020-12-29 | 2020-12-29 | 一种便携式柑橘在线测产仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613438A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191234A (zh) * | 2021-04-22 | 2021-07-30 | 武汉菲舍控制技术有限公司 | 一种基于机器视觉的带式输送机输送带防撕裂方法及装置 |
CN113312999A (zh) * | 2021-05-19 | 2021-08-27 | 华南农业大学 | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 |
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 |
-
2020
- 2020-12-29 CN CN202011588652.3A patent/CN112613438A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191234A (zh) * | 2021-04-22 | 2021-07-30 | 武汉菲舍控制技术有限公司 | 一种基于机器视觉的带式输送机输送带防撕裂方法及装置 |
CN113312999A (zh) * | 2021-05-19 | 2021-08-27 | 华南农业大学 | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 |
CN113312999B (zh) * | 2021-05-19 | 2023-07-07 | 华南农业大学 | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 |
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 |
---|---|---|
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 | |
CN112613438A (zh) | 一种便携式柑橘在线测产仪 | |
CN103324937B (zh) | 标注目标的方法和装置 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN110135476A (zh) | 一种个人安全装备的检测方法、装置、设备及系统 | |
CN110472575A (zh) | 一种基于深度学习和计算机视觉的串番茄成熟度检测方法 | |
Wang et al. | Precision detection of dense plums in orchards using the improved YOLOv4 model | |
CN114387520A (zh) | 一种用于机器人采摘的密集李子精准检测方法及其系统 | |
CN109492534A (zh) | 一种基于Faster RCNN的跨场景多姿态的行人检测方法 | |
CN113516102A (zh) | 基于视频的深度学习抛物行为检测方法 | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN110276300A (zh) | 用于识别垃圾品质的方法和装置 | |
CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
CN113936019A (zh) | 一种基于卷积神经网络技术的大田作物产量估算方法 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN116189076A (zh) | 一种鸟类观测站的观测识别系统及其方法 | |
CN116958643A (zh) | 一种基于yolo网络的气传花粉致敏植物智慧识别方法 | |
CN115830318A (zh) | 基于改进Mask-RCNN网络的重叠烟丝图像分割方法及装置 | |
CN115187568A (zh) | 一种电力开关柜状态检测方法及系统 | |
CN107895385A (zh) | 基于卷积神经网络的对单张室外图像太阳位置的预测方法 | |
CN114494850A (zh) | 一种村庄无人居住院落智能识别方法及系统 | |
Lv et al. | Cotton boll growth status recognition method under complex background based on semantic segmentation | |
CN113378739A (zh) | 一种基于深度学习的地基云状目标检测方法 | |
CN109632799A (zh) | 基于机器视觉的水稻叶片氮含量移动检测分级方法、系统和计算机可读存储介质 | |
CN114842470B (zh) | 层叠式笼养模式下的鸡蛋计数及定位系统 |
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 |