CN113743333A - 一种草莓熟度识别方法及装置 - Google Patents
一种草莓熟度识别方法及装置 Download PDFInfo
- Publication number
- CN113743333A CN113743333A CN202111050819.5A CN202111050819A CN113743333A CN 113743333 A CN113743333 A CN 113743333A CN 202111050819 A CN202111050819 A CN 202111050819A CN 113743333 A CN113743333 A CN 113743333A
- Authority
- CN
- China
- Prior art keywords
- strawberry
- training
- image
- maturity
- target
- 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.)
- Granted
Links
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 470
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 470
- 238000000034 method Methods 0.000 title claims abstract description 49
- 244000307700 Fragaria vesca Species 0.000 title 1
- 241000220223 Fragaria Species 0.000 claims abstract description 489
- 235000021012 strawberries Nutrition 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 248
- 230000006870 function Effects 0.000 claims description 94
- 238000012545 processing Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 17
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000002349 favourable effect Effects 0.000 description 6
- 230000001737 promoting effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 235000012055 fruits and vegetables Nutrition 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种草莓熟度识别方法及装置，该方法包括：获取待识别草莓图像；待识别草莓图像包括若干个目标草莓；根据待识别草莓图像，以及预设的草莓熟度识别模型，确定出草莓熟度等级信息；草莓熟度等级信息用于指示对目标草莓进行采摘操作。可见，本发明能够通过获取待识别草莓图像，利用草莓熟度识别模型确定出用于指示对目标草莓进行采摘操作的草莓熟度等级信息，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种草莓熟度识别方法及装置。
背景技术
随着物联网技术及第五代移动通信技术的发展，目前农村农业信息化技术已广泛应用于高价值经济作物自动化采摘领域。但在当前的草莓自动化采摘中，仍存在采摘正确率低、速度慢的问题，这主要源于目前的对草莓熟度自动识别时普遍存在的准确率低的问题。因此，提供一种草莓熟度识别方法及装置，以提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本显得尤为重要。
发明内容
本发明所要解决的技术问题在于，提供一种草莓熟度识别方法及装置，能够通过获取待识别草莓图像，利用草莓熟度识别模型确定出用于指示对目标草莓进行采摘操作的草莓熟度等级信息，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
为了解决上述技术问题，本发明实施例第一方面公开了一种草莓熟度识别方法，所述方法包括：
获取待识别草莓图像；所述待识别草莓图像包括若干个目标草莓；
根据所述待识别草莓图像，以及预设的草莓熟度识别模型，确定出草莓熟度等级信息；所述草莓熟度等级信息用于指示对目标草莓进行采摘操作。
作为一种可选的实施方式，在本发明实施例第一方面中，所述草莓熟度识别模型包括第一网络模型、第二网络模型和第三网络模型；
所述根据所述待识别草莓图像，以及预设的草莓熟度识别模型，确定出草莓熟度结果信息，包括：
根据所述待识别草莓图像和所述第一网络模型，确定出草莓标签图像和标签位置信息；所述草莓标签图像包括至少一个所述目标草莓对应的目标标签；所述标签位置信息包括至少一个所述目标标签对应的目标位置信息；
根据所述草莓标签图像、所述标签位置信息和所述第二网络模型，确定出目标草莓图像集合；所述目标草莓图像集合包括至少一个所述目标草莓对应的目标草莓图像；
根据所述目标草莓图像集合和所述第三网络模型，确定出草莓熟度等级信息；所述草莓熟度等级信息包括至少一个所述目标草莓对应的熟度等级。
作为一种可选的实施方式，在本发明实施例第一方面中，根据所述草莓标签图像、所述标签位置信息和所述第二网络模型，确定出目标草莓图像集合，包括：
利用所述标签位置信息和所述第二网络模型对所述草莓标签图像进行处理，得到待处理草莓图像集合；所述待处理草莓图像集合包括至少一个所述目标草莓对应的待处理草莓图像；
根据所述待处理草莓图像集合，确定出目标草莓图像集合。
作为一种可选的实施方式，在本发明实施例第一方面中，所述草莓熟度识别模型包括第一网络模型和第三网络模型；
所述草莓熟度识别模型基于以下步骤训练得到：
由训练装置获取训练样本图像集；所述训练样本图像集包括若干个训练样本，每个所述训练样本包括原始草莓图像、所述原始草莓图像对应的目标框位置信息和所述原始草莓图像对应的原始草莓熟度信息；所述原始草莓图像包括若干个原始草莓；
由所述训练装置利用M个所述训练样本对预设的前置训练模型进行训练，得到所述第一网络模型；所述M为正整数；
由所述训练装置利用N个所述训练样本和所述第一网络模型对预设的后置训练模型进行训练，得到所述第三网络模型；所述N为正整数。
作为一种可选的实施方式，在本发明实施例第一方面中，所述由所述训练装置利用M个所述训练样本对预设的前置训练模型进行训练，得到所述第一网络模型，包括：
由所述训练装置从M个所述训练样本中任选出一个所述训练样本，并将该训练样本对应的原始草莓图像输入预设的前置训练模型进行处理，得到第一预测信息；
由所述训练装置利用所述第一预测信息、该训练样本对应的目标框位置信息和预设的前置损失函数进行处理，得到前置损失函数值；
由所述训练装置判断所述前置损失函数值是否满足前置终止条件，得到第一判断结果；
当所述第一判断结果表示所述前置损失函数值满足前置终止条件时，由所述训练装置确定所述前置损失函数值对应的前置训练模型为所述第一网络模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述草莓熟度识别模型还包括第二网络模型；
所述由所述训练装置利用N个所述训练样本和所述第一网络模型对预设的后置训练模型进行训练，得到所述第三网络模型，包括：
由所述训练装置从N个所述训练样本中任选出一个训练样本，并将该训练样本对应的原始草莓图像输入所述第一网络模型，得到第二预测信息；
由所述训练装置利用所述第二网络模型对第二预测信息进行处理，得到原始草莓图像集合；所述原始草莓图像集合包括至少一个所述原始草莓对应的原始草莓图像；
由所述训练装置利用所述原始草莓图像集合、该训练样本对应原始草莓熟度信息和预设的后置损失函数进行处理，得到后置损失函数值；
由所述训练装置判断所述后置损失函数值是否满足后置终止条件，得到第二判断结果；
当所述第二判断结果表示所述后置损失函数值满足后置终止条件时，由所述训练装置确定所述后置损失函数值对应的后置训练模型为所述第三网络模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述由训练装置获取训练样本图像集，包括：
由所述训练装置获取初始样本图像集；所述初始样本图像集包括若干张初始草莓图像；
由所述训练装置根据所述初始样本图像集，确定出训练样本图像集。
本发明实施例第二方面公开了一种草莓熟度识别装置，装置包括：
获取模块，用于获取待识别草莓图像；所述待识别草莓图像包括若干个目标草莓；
确定模块，用于根据所述待识别草莓图像，以及预设的草莓熟度识别模型，确定出草莓熟度等级信息；所述草莓熟度等级信息用于指示对目标草莓的采摘操作。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述草莓熟度识别模型包括第一网络模型、第二网络模型和第三网络模型；
所述确定模块包括第一确定子模块、第二确定子模块和第三确定子模块，其中：
所述第一确定子模，用于根据所述待识别草莓图像和所述第一网络模型，确定出草莓标签图像和标签位置信息；所述草莓标签图像包括至少一个所述目标草莓对应的目标标签；所述标签位置信息包括至少一个所述目标标签对应的目标位置信息；
所述第二确定子模，用于根据所述草莓标签图像、所述标签位置信息和所述第二网络模型，确定出目标草莓图像集合；所述目标草莓图像集合包括至少一个所述目标草莓对应的目标草莓图像；
所述第三确定子模，用于根据所述目标草莓图像集合和所述第三网络模型，确定出草莓熟度等级信息；所述草莓熟度等级信息包括至少一个所述目标草莓对应的熟度等级。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述第二确定子模根据所述草莓标签图像、所述标签位置信息和所述第二网络模型，确定出目标草莓图像集合的具体方式为：
利用所述标签位置信息和所述第二网络模型对所述草莓标签图像进行处理，得到待处理草莓图像集合；所述待处理草莓图像集合包括至少一个所述目标草莓对应的待处理草莓图像；
根据所述待处理草莓图像集合，确定出目标草莓图像集合。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述草莓熟度识别模型包括第一网络模型和第三网络模型；
所述装置还包括：
训练模块，用于执行以下步骤以训练得到草莓熟度识别模型：
获取训练样本图像集；所述训练样本图像集包括若干个训练样本，每个所述训练样本包括原始草莓图像、所述原始草莓图像对应的目标框位置信息和所述原始草莓图像对应的原始草莓熟度信息；所述原始草莓图像包括若干个原始草莓；
利用M个所述训练样本对预设的前置训练模型进行训练，得到所述第一网络模型；所述M为正整数；
利用N个所述训练样本和所述第一网络模型对预设的后置训练模型进行训练，得到所述第三网络模型；所述N为正整数。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述训练模块利用M个所述训练样本对预设的前置训练模型进行训练，得到所述第一网络模型的具体方式为：
从M个所述训练样本中任选出一个所述训练样本，并将该训练样本对应的原始草莓图像输入预设的前置训练模型进行处理，得到第一预测信息；
利用所述第一预测信息、该训练样本对应的目标框位置信息和预设的前置损失函数进行处理，得到前置损失函数值；
判断所述前置损失函数值是否满足前置终止条件，得到第一判断结果；
当所述第一判断结果表示所述前置损失函数值满足前置终止条件时，确定所述前置损失函数值对应的前置训练模型为所述第一网络模型。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述草莓熟度识别模型还包括第二网络模型；
所述训练模块利用N个所述训练样本和所述第一网络模型对预设的后置训练模型进行训练，得到所述第三网络模型的具体方式为：
从N个所述训练样本中任选出一个训练样本，并将该训练样本对应的原始草莓图像输入所述第一网络模型，得到第二预测信息；
利用所述第二网络模型对第二预测信息进行处理，得到原始草莓图像集合；所述原始草莓图像集合包括至少一个所述原始草莓对应的原始草莓图像；
利用所述原始草莓图像集合、该训练样本对应原始草莓熟度信息和预设的后置损失函数进行处理，得到后置损失函数值；
判断所述后置损失函数值是否满足后置终止条件，得到第二判断结果；
当所述第二判断结果表示所述后置损失函数值满足后置终止条件时，确定所述后置损失函数值对应的后置训练模型为所述第三网络模型。
作为一种该可选的实施方式，在本发明实施例第二方面中，所述训练模块获取训练样本图像集的具体方式为：
获取初始样本图像集；所述初始样本图像集包括若干张初始草莓图像；
根据所述初始样本图像集，确定出训练样本图像集。
本发明第三方面公开了另一种草莓熟度识别装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的草莓熟度识别方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的草莓熟度识别方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，获取待识别草莓图像；待识别草莓图像包括若干个目标草莓；根据待识别草莓图像，以及预设的草莓熟度识别模型，确定出草莓熟度等级信息；草莓熟度等级信息用于指示对目标草莓进行采摘操作。可见，本发明能够通过获取待识别草莓图像，利用草莓熟度识别模型确定出用于指示对目标草莓进行采摘操作的草莓熟度等级信息，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种草莓熟度识别方法的流程示意图；
图2是本发明实施例公开的另一种草莓熟度识别方法的流程示意图；
图3是本发明实施例公开的一种草莓熟度识别装置的结构示意图；
图4是本发明实施例公开的另一种草莓熟度识别装置的结构示意图；
图5本发明实施例公开的又一种草莓熟度识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种草莓熟度识别方法及装置，能够通过获取待识别草莓图像，利用草莓熟度识别模型确定出用于指示对目标草莓进行采摘操作的草莓熟度等级信息，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种草莓熟度识别方法的流程示意图。其中，图1所描述的草莓熟度识别方法应用于果蔬采摘系统中，如用于草莓采摘管理的本地服务器或云端服务器等，本发明实施例不做限定。如图1所示，该草莓熟度识别方法可以包括以下操作：
101、获取待识别草莓图像。
本发明实施例中，该待识别草莓图像包括若干个目标草莓。
102、根据待识别草莓图像，以及预设的草莓熟度识别模型，确定出草莓熟度等级信息。
本发明实施例中，该草莓熟度等级信息用于指示对目标草莓进行采摘操作。
可见，实施本发明实施例所描述的草莓熟度识别方法能够通过获取待识别草莓图像，利用草莓熟度识别模型确定出用于指示对目标草莓进行采摘操作的草莓熟度等级信息，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在一个可选的实施例中，草莓熟度识别模型包括第一网络模型和第三网络模型；
草莓熟度识别模型基于以下步骤训练得到：
由训练装置获取训练样本图像集；训练样本图像集包括若干个训练样本，每个训练样本包括原始草莓图像、原始草莓图像对应的目标框位置信息和原始草莓图像对应的原始草莓熟度信息；原始草莓图像包括若干个原始草莓；
由训练装置利用M个训练样本对预设的前置训练模型进行训练，得到第一网络模型；M为正整数；
由训练装置利用N个训练样本和第一网络模型对预设的后置训练模型进行训练，得到第三网络模型；N为正整数。
本发明实例中，在利用训练样本图像集训练得到草莓熟度识别模型之后，还可利用样本图像验证集和样本图像测试集对上述草莓熟度识别模型进行验证测试，以验证草莓熟度识别模型的准确性。
可见，实施本发明实施例所描述的草莓熟度识别方法能够利用训练样本图像集对前置训练模型进和后置训练模型进行训练，进而得到草莓熟度识别模型的第一网络模型和第三网络模型，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在另一个可选的实施例中，上述由训练装置利用M个训练样本对预设的前置训练模型进行训练，得到第一网络模型，包括：
由训练装置从M个训练样本中任选出一个训练样本，并将该训练样本对应的原始草莓图像输入预设的前置训练模型进行处理，得到第一预测信息；
由训练装置利用第一预测信息、该训练样本对应的目标框位置信息和预设的前置损失函数进行处理，得到前置损失函数值；
由训练装置判断前置损失函数值是否满足前置终止条件，得到第一判断结果；
当第一判断结果表示前置损失函数值满足前置终止条件时，由训练装置确定前置损失函数值对应的前置训练模型为第一网络模型。
本发明实例中，上述第一预测信息包括第一预测草莓标签图像和第一预测草莓标签图像的第一标签位置信息。
可选的，上述第一预测草莓标签图像包括若干个第一预测标签。
可选的，上述第一标签位置信息包括至少一个第一预测标签对应的预测位置信息。
可选的，上述第一预测标签对应的预测位置信息包括第一预测标签对应的宽度信息，和/或，第一预测标签对应的高度信息，本发明实施例不做限定。
可选的，上述前置损失函数为定位损失函数RCIoU，其可表示为
其中，b为第一预测标签，bgt为目标标签，IoU为交并集比值，U为第一预测标签与目标标签的一致性参数，a为平衡参数，w为第一预测标签的宽度，h为第一预测标签的高度，wgt为目标标签的宽度，hgt为目标标签的高度，ρ(b，bgt)为第一预测标签与目标标签中心点距离，c为第一预测标签与目标标签的并集对应的边框范围面积。
本发明实施例中，在对前置训练模型进行训练过程中，利用预设的前置梯度下降优化算法对前置网络参数进行权重参数更新，以确定出前置权重参数和前置梯度下降值。
可选的，上述前置梯度下降值为前置训练模型当前训练轮次的前置损失函数值对应的梯度下降值。
可选的，上述前置终止条件可以为前置损失函数阈值，或者，前置梯度下降阈值中的一种或多种。
在该可选的实施例中，作为一种可选的实施方式，当前置终止条件为前置损失函数阈值时，由训练装置判断前置损失函数值是否满足前置终止条件，得到第一判断结果具体为：
由训练装置判断前置损失函数值是否小于或等于前置损失函数阈值；
当前置损失函数值小于或等于前置损失函数阈值时表示前置损失函数值满足前置终止条件。
在可选的实施例中，作为另一种可选的实施方式，当前置终止条件为前置梯度下降阈值时，由训练装置判断前置损失函数值是否满足前置终止条件，得到第一判断结果具体为：
由训练装置判断前置梯度下降值是否小于或等于前置梯度下降阈值；
当前置梯度下降值小于或等于前置梯度下降阈值时表示该前置训练模型满足前置终止条件。
在可选的实施例中，作为又一种可选的实施方式，当前置终止条件为前置损失函数阈值和前置梯度下降阈值时，由训练装置判断前置损失函数值是否满足前置终止条件，得到第一判断结果具体为：
由训练装置判断前置损失函数值是否小于或等于前置损失函数阈值；
由训练装置判断前置梯度下降值是否小于或等于前置梯度下降阈值；
当前置损失函数值小于或等于前置损失函数阈值，且前置梯度下降值小于或等于前置梯度下降阈值时表示前置损失函数值满足前置终止条件。
可见，实施本发明实施例所描述的草莓熟度识别方法能够利用训练样本和前置损失函数对前置训练模型进行训练得到第一网络模型，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在另一个可选的实施例中，上述草莓熟度识别模型还包括第二网络模型；
由训练装置利用N个训练样本和第一网络模型对预设的后置训练模型进行训练，得到第三网络模型，包括：
由训练装置从N个训练样本中任选出一个训练样本，并将该训练样本对应的原始草莓图像输入第一网络模型，得到第二预测信息；
由训练装置利用第二网络模型对第二预测信息进行处理，得到原始草莓图像集合；原始草莓图像集合包括至少一个原始草莓对应的原始草莓图像；
由训练装置利用原始草莓图像集合、该训练样本对应原始草莓熟度信息和预设的后置损失函数进行处理，得到后置损失函数值；
由训练装置判断后置损失函数值是否满足后置终止条件，得到第二判断结果；
当第二判断结果表示后置损失函数值满足后置终止条件时，由训练装置确定后置损失函数值对应的后置训练模型为第三网络模型。
本发明实施例中，上述第二预测信息包括第二预测草莓标签图像和第二标签位置信息。
可选的，上述后置损失函数为多分类损失函数FL(pt)，其可表示为
FL(pt)＝-at(1-pt)γlog(pt)
其中，γ为样本对模型产生的贡献系数，at为不同分类下的逆类别频率，pt为模型自身对样本分类预测的置信度。
可选的，上述置信度pt可表示为
其中，y为标注标签，p为多分类输出下对应该类的输出值。
本发明实施例中，在对后置训练模型进行训练过程中，利用预设的后置梯度下降优化算法对后置网络参数进行权重参数更新，以确定出后置权重参数和后置梯度下降值。
可选的，上述后置梯度下降值为后置训练模型当前训练轮次的后置损失函数值对应的梯度下降值。
可选的，该后置终止条件可以为后置损失函数阈值，或者，后置梯度下降阈值中的一种或多种。
在该可选的实施例中，作为一种可选的实施方式，当后置终止条件为后置损失函数阈值时，由训练装置判断后置损失函数值是否满足后置终止条件，得到第二判断结果具体为：
由训练装置判断后置损失函数值是否小于或等于后置损失函数阈值；
当后置损失函数值小于或等于后置损失函数阈值时表示后置损失函数值满足后置终止条件。
在可选的实施例中，作为另一种可选的实施方式，当后置终止条件为后置梯度下降阈值时，由训练装置判断后置损失函数值是否满足后置终止条件，得到第二判断结果具体为：
由训练装置判断当前梯度下降值是否小于或等于后置梯度下降阈值；
当后置梯度下降值小于或等于后置梯度下降阈值时表示后置损失函数值满足后置终止条件。
在可选的实施例中，作为又一种可选的实施方式，当后置终止条件为后置损失函数阈值和后置梯度下降阈值时，由训练装置判断后置损失函数值是否满足后置终止条件，得到第二判断结果具体为：
由训练装置判断后置损失函数值是否小于或等于后置损失函数阈值；
由训练装置判断后置梯度下降值是否小于或等于后置梯度下降阈值；
当后置损失函数值小于或等于后置损失函数阈值，且后置梯度下降值小于或等于后置梯度下降阈值时表示后置损失函数值满足后置终止条件。
可见，实施本发明实施例所描述的草莓熟度识别方法能够利用训练样本和后置损失函数对后置训练模型进行训练得到第三网络模型，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在另一个可选的实施例中，上述由训练装置获取训练样本图像集，包括：
由训练装置获取初始样本图像集；初始样本图像集包括若干张初始草莓图像；
由训练装置根据初始样本图像集，确定出训练样本图像集。
本发明实施例中，在由训练装置获取初始草莓图像之后，由训练装置对初始草莓图像进行数据增强以生成新的初始草莓图像。
可选的，上述数据增强的方式包括随机亮度增强，和/或，马赛克增强，本发明实施例不做限定。
可选的，对于任一初始草莓图像，由训练装置对该初始草莓图像中的原始草莓进行草莓标注，以确定出原始草莓的目标框位置和原始草莓的熟度等级，再生成该初始草莓图像对应的训练样本。
可选的，上述熟度等级包括绿熟期，和/或，白熟期，和/或，转色期，和/或，红熟期，本发明实施例不做限定。
可见，实施本发明实施例所描述的草莓熟度识别方法能够获取初始样本图像集，再由训练装置确定得到训练样本图像集，有利于训练得到更为精准有效的草莓熟度识别模型，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
实施例二
请参阅图2，图2是本发明实施例公开的另一种草莓熟度识别方法的流程示意图。其中，图2所描述的草莓熟度识别方法应用于果蔬采摘系统中，如用于草莓采摘管理的本地服务器或云端服务器等，本发明实施例不做限定。。如图2所示，该草莓熟度识别方法可以包括以下操作：
201、获取待识别草莓图像。
本发明实例中，该草莓熟度识别模型包括第一网络模型、第二网络模型和第三网络模型。
202、根据待识别草莓图像和第一网络模型，确定出草莓标签图像和标签位置信息。
本发明实例中，该草莓标签图像包括至少一个目标草莓对应的目标标签。
本发明实例中，该标签位置信息包括至少一个目标标签对应的目标位置信息。
203、根据草莓标签图像、标签位置信息和第二网络模型，确定出目标草莓图像集合。
本发明实施例中，该目标草莓图像集合包括至少一个目标草莓对应的目标草莓图像。
204、根据目标草莓图像集合和第三网络模型，确定出草莓熟度等级信息。
本发明实施例中，该草莓熟度等级信息包括至少一个目标草莓对应的熟度等级。
本发明实施例中，针对步骤201的具体技术细节和技术名词解释，可以参照实施例一中针对步骤101的详细描述，本发明实施例不再赘述。
优选的，上述第一网络模型为YOLOv4网络模型。
可选的，上述第一网络模型包括CSPDarknet53网络。
可选的，上述根据待识别草莓图像和第一网络模型，确定出草莓标签图像和标签位置信息的具体方式为：
利用第一网络模型对待识别草莓图像进行上采样和下采样处理，输出包括多层级的目标标签的草莓标签图像和标签位置信息。
可选的，上述处理是在待识别草莓图对应的特征图大小为76×76、38×38、19×19时分别进行上下采样并，以得出不同大小目标的输出位置与类别标签，再生成待识别草莓图对应的草莓标签图像和标签位置信息。
可选的，待识别草莓图像的尺寸为608*608。
优选的，上述第三网络模型为ResNeXt34网络模型。
可选的，上述第三网络模型包括ResNeXt34骨干网络，和/或，全局平均池化层，和/或，单层全连接网络，和/或，BN层，和/或，激活函数层，和/或，输出层，本发明实施例不做限定。
可选的，上述ResNeXt34骨干网包括5个残差卷积模块。
可选的，上述5个残差卷积模块的输出图像的尺寸分别为56*56、28*25、14*14和7*7。
可选的，上述根据目标草莓图像集合和第三网络模型，确定出草莓熟度等级信息的具体方式为：
对于任一目标草莓图像，将该目标草莓图像输入第三网络模型，利用残差卷积模块对该目标草莓图像进行处理，再通过全局平均池化操作提取图片1000维特征后，使用全连接神经网络输出至输出层，得到维度为4的草莓熟度信息，再根据该草莓熟度信息确定出目标草莓对应的熟度等级。举例来说，当熟度等级包括绿熟期、白熟期、转色期、红熟期时，草莓熟度信息A为[a1,a2,a3,a3]，当草莓熟度信息A中的任一元素为1时，表示该元素对应的熟度等级为目标草莓的熟度等级，即若A为[0,0,0,1]，则该目标草莓的熟度等级为红熟期。
可见，实施本发明实施例所描述的草莓熟度识别方法能够通过获取待识别草莓图像，利用第一网络模型处理得到草莓标签图像和标签位置信息，再利用第二网络模型处理得到目标草莓图像集合，最后利用第三网络模型处理得到草莓熟度等级信息，提供了一种实现草莓熟度等级的实现路径，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在另一个可选的实施例中，上述根据草莓标签图像、标签位置信息和第二网络模型，确定出目标草莓图像集合，包括：
利用标签位置信息和第二网络模型对草莓标签图像进行处理，得到待处理草莓图像集合；待处理草莓图像集合包括至少一个目标草莓对应的待处理草莓图像；
根据待处理草莓图像集合，确定出目标草莓图像集合。
本发明实施例中，上述第二网络模型为基于OpenCV的数据处理模型。
可选的，上述利用标签位置信息和第二网络模型对草莓标签图像进行处理，得到待处理草莓图像集合的具体方式为：
对于任一目标草莓，根据该目标草莓对应的签位置信息对该目标草莓的图像区域进行分割处理，以得到该目标草莓对应的待处理草莓图像。
可选的，上述根据待处理草莓图像集合，确定出目标草莓图像集合的具体方式为：
对于任一待处理草莓图像，对该待处理草莓图像进行立方插值上采样处理，以得到该待处理草莓图像的目标草莓图像。
可选的，上述目标草莓图像的尺寸为224*224。
可见，实施本发明实施例所描述的草莓熟度识别方法能够利用标签位置信息和第二网络模型对草莓标签图像进行处理得到待处理草莓图像集合，再根据待处理草莓图像集合确定出目标草莓图像集合，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
实施例三
请参阅图3，图3是本发明实施例公开的一种草莓熟度识别装置的结构示意图。其中，图3所描述的装置能够应用于果蔬采摘系统中，如用于草莓采摘管理的本地服务器或云端服务器等，本发明实施例不做限定。如图3所示，该装置可以包括：
获取模块301，用于获取待识别草莓图像；待识别草莓图像包括若干个目标草莓；
确定模块302，用于根据待识别草莓图像，以及预设的草莓熟度识别模型，确定出草莓熟度等级信息；草莓熟度等级信息用于指示对目标草莓的采摘操作。
可见，实施图3所描述的草莓熟度识别装置，能够通过获取待识别草莓图像，利用草莓熟度识别模型确定出用于指示对目标草莓进行采摘操作的草莓熟度等级信息，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在另一个可选的实施例中，如图4所示，草莓熟度识别模型包括第一网络模型、第二网络模型和第三网络模型；
确定模块302包括第一确定子模块3021、第二确定子模块3022和第三确定子模块3023，其中：
第一确定子模3021，用于根据待识别草莓图像和第一网络模型，确定出草莓标签图像和标签位置信息；草莓标签图像包括至少一个目标草莓对应的目标标签；标签位置信息包括至少一个目标标签对应的目标位置信息；
第二确定子模3022，用于根据草莓标签图像、标签位置信息和第二网络模型，确定出目标草莓图像集合；目标草莓图像集合包括至少一个目标草莓对应的目标草莓图像；
第三确定子模3023，用于根据目标草莓图像集合和第三网络模型，确定出草莓熟度等级信息；草莓熟度等级信息包括至少一个目标草莓对应的熟度等级。
可见，实施图4所描述的草莓熟度识别装置，能够通过获取待识别草莓图像，利用第一网络模型处理得到草莓标签图像和标签位置信息，再利用第二网络模型处理得到目标草莓图像集合，最后利用第三网络模型处理得到草莓熟度等级信息，提供了一种实现草莓熟度等级的实现路径，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在又一个可选的实施例中，如图4所示，第二确定子模3022根据草莓标签图像、标签位置信息和第二网络模型，确定出目标草莓图像集合的具体方式为：
利用标签位置信息和第二网络模型对草莓标签图像进行处理，得到待处理草莓图像集合；待处理草莓图像集合包括至少一个目标草莓对应的待处理草莓图像；
根据待处理草莓图像集合，确定出目标草莓图像集合。
可见，实施图4所描述的草莓熟度识别装置，能够利用标签位置信息和第二网络模型对草莓标签图像进行处理得到待处理草莓图像集合，再根据待处理草莓图像集合确定出目标草莓图像集合，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在又一个可选的实施例中，如图4所示，草莓熟度识别模型包括第一网络模型和第三网络模型；
装置还包括：
训练模块303，用于执行以下步骤以训练得到草莓熟度识别模型：
获取训练样本图像集；训练样本图像集包括若干个训练样本，每个训练样本包括原始草莓图像、原始草莓图像对应的目标框位置信息和原始草莓图像对应的原始草莓熟度信息；原始草莓图像包括若干个原始草莓；
利用M个训练样本对预设的前置训练模型进行训练，得到第一网络模型；M为正整数；
利用N个训练样本和第一网络模型对预设的后置训练模型进行训练，得到第三网络模型；N为正整数。
可见，实施图4所描述的草莓熟度识别装置，能够利用训练样本图像集对前置训练模型进和后置训练模型进行训练，进而得到草莓熟度识别模型的第一网络模型和第三网络模型，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在又一个可选的实施例中，如图4所示，训练模块303利用M个训练样本对预设的前置训练模型进行训练，得到第一网络模型的具体方式为：
从M个训练样本中任选出一个训练样本，并将该训练样本对应的原始草莓图像输入预设的前置训练模型进行处理，得到第一预测信息；
利用第一预测信息、该训练样本对应的目标框位置信息和预设的前置损失函数进行处理，得到前置损失函数值；
判断前置损失函数值是否满足前置终止条件，得到第一判断结果；
当第一判断结果表示前置损失函数值满足前置终止条件时，确定前置损失函数值对应的前置训练模型为第一网络模型。
可见，实施图4所描述的草莓熟度识别装置，能够利用训练样本和前置损失函数对前置训练模型进行训练得到第一网络模型，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在又一个可选的实施例中，如图4所示，草莓熟度识别模型还包括第二网络模型；
训练模块303利用N个训练样本和第一网络模型对预设的后置训练模型进行训练，得到第三网络模型的具体方式为：
从N个训练样本中任选出一个训练样本，并将该训练样本对应的原始草莓图像输入第一网络模型，得到第二预测信息；
利用第二网络模型对第二预测信息进行处理，得到原始草莓图像集合；原始草莓图像集合包括至少一个原始草莓对应的原始草莓图像；
利用原始草莓图像集合、该训练样本对应原始草莓熟度信息和预设的后置损失函数进行处理，得到后置损失函数值；
判断后置损失函数值是否满足后置终止条件，得到第二判断结果；
当第二判断结果表示后置损失函数值满足后置终止条件时，确定后置损失函数值对应的后置训练模型为第三网络模型。
可见，实施图4所描述的草莓熟度识别装置，能够利用训练样本和后置损失函数对后置训练模型进行训练得到第三网络模型，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
在又一个可选的实施例中，如图4所示，训练模块303获取训练样本图像集的具体方式为：
获取初始样本图像集；初始样本图像集包括若干张初始草莓图像；
根据初始样本图像集，确定出训练样本图像集。
可见，实施图4所描述的草莓熟度识别装置，能够获取初始样本图像集，再由训练装置确定得到训练样本图像集，有利于训练得到更为精准有效的草莓熟度识别模型，有利于提升草莓熟度识别的准确率，进而提升自动化采摘草莓的作业效率和降低自动化采摘草莓的成本。
实施例四
请参阅图5，图5是本发明实施例公开的又一种草莓熟度识别装置的结构示意图。其中，图5所描述的装置能够应用于果蔬采摘系统中，如用于草莓采摘管理的本地服务器或云端服务器等，本发明实施例不做限定。如图5所示，该装置可以包括：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，用于执行实施例一或实施例二所描述的草莓熟度识别方法中的步骤。
实施例五
本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的草莓熟度识别方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二所描述的草莓熟度识别方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种草莓熟度识别方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种草莓熟度识别方法，其特征在于，所述方法包括：
获取待识别草莓图像；所述待识别草莓图像包括若干个目标草莓；
根据所述待识别草莓图像，以及预设的草莓熟度识别模型，确定出草莓熟度等级信息；所述草莓熟度等级信息用于指示对目标草莓进行采摘操作。
2.一种草莓熟度识别方法，其特征在于，所述草莓熟度识别模型包括第一网络模型、第二网络模型和第三网络模型；
所述根据所述待识别草莓图像，以及预设的草莓熟度识别模型，确定出草莓熟度结果信息，包括：
根据所述待识别草莓图像和所述第一网络模型，确定出草莓标签图像和标签位置信息；所述草莓标签图像包括至少一个所述目标草莓对应的目标标签；所述标签位置信息包括至少一个所述目标标签对应的目标位置信息；
根据所述草莓标签图像、所述标签位置信息和所述第二网络模型，确定出目标草莓图像集合；所述目标草莓图像集合包括至少一个所述目标草莓对应的目标草莓图像；
根据所述目标草莓图像集合和所述第三网络模型，确定出草莓熟度等级信息；所述草莓熟度等级信息包括至少一个所述目标草莓对应的熟度等级。
3.根据权利要求2所述的草莓熟度识别方法，其特征在于，所述根据所述草莓标签图像、所述标签位置信息和所述第二网络模型，确定出目标草莓图像集合，包括：
利用所述标签位置信息和所述第二网络模型对所述草莓标签图像进行处理，得到待处理草莓图像集合；所述待处理草莓图像集合包括至少一个所述目标草莓对应的待处理草莓图像；
根据所述待处理草莓图像集合，确定出目标草莓图像集合。
4.根据权利要求1所述的草莓熟度识别方法，其特征在于，所述草莓熟度识别模型包括第一网络模型和第三网络模型；
所述草莓熟度识别模型基于以下步骤训练得到：
由训练装置获取训练样本图像集；所述训练样本图像集包括若干个训练样本，每个所述训练样本包括原始草莓图像、所述原始草莓图像对应的目标框位置信息和所述原始草莓图像对应的原始草莓熟度信息；所述原始草莓图像包括若干个原始草莓；
由所述训练装置利用M个所述训练样本对预设的前置训练模型进行训练，得到所述第一网络模型；所述M为正整数；
由所述训练装置利用N个所述训练样本和所述第一网络模型对预设的后置训练模型进行训练，得到所述第三网络模型；所述N为正整数。
5.根据权利要求4所述的草莓熟度识别方法，其特征在于，所述由所述训练装置利用M个所述训练样本对预设的前置训练模型进行训练，得到所述第一网络模型，包括：
由所述训练装置从M个所述训练样本中任选出一个所述训练样本，并将该训练样本对应的原始草莓图像输入预设的前置训练模型进行处理，得到第一预测信息；
由所述训练装置利用所述第一预测信息、该训练样本对应的目标框位置信息和预设的前置损失函数进行处理，得到前置损失函数值；
由所述训练装置判断所述前置损失函数值是否满足前置终止条件，得到第一判断结果；
当所述第一判断结果表示所述前置损失函数值满足前置终止条件时，由所述训练装置确定所述前置损失函数值对应的前置训练模型为所述第一网络模型。
6.根据权利要求4所述的草莓熟度识别方法，其特征在于，所述草莓熟度识别模型还包括第二网络模型；
所述由所述训练装置利用N个所述训练样本和所述第一网络模型对预设的后置训练模型进行训练，得到所述第三网络模型，包括：
由所述训练装置从N个所述训练样本中任选出一个训练样本，并将该训练样本对应的原始草莓图像输入所述第一网络模型，得到第二预测信息；
由所述训练装置利用所述第二网络模型对第二预测信息进行处理，得到原始草莓图像集合；所述原始草莓图像集合包括至少一个所述原始草莓对应的原始草莓图像；
由所述训练装置利用所述原始草莓图像集合、该训练样本对应原始草莓熟度信息和预设的后置损失函数进行处理，得到后置损失函数值；
由所述训练装置判断所述后置损失函数值是否满足后置终止条件，得到第二判断结果；
当所述第二判断结果表示所述后置损失函数值满足后置终止条件时，由所述训练装置确定所述后置损失函数值对应的后置训练模型为所述第三网络模型。
7.根据权利要求4所述的草莓熟度识别方法，其特征在于，所述由训练装置获取训练样本图像集，包括：
由所述训练装置获取初始样本图像集；所述初始样本图像集包括若干张初始草莓图像；
由所述训练装置根据所述初始样本图像集，确定出训练样本图像集。
8.一种草莓熟度识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别草莓图像；所述待识别草莓图像包括若干个目标草莓；
确定模块，用于根据所述待识别草莓图像，以及预设的草莓熟度识别模型，确定出草莓熟度等级信息；所述草莓熟度等级信息用于指示对目标草莓的采摘操作。
9.一种草莓熟度识别装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的草莓熟度识别方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的草莓熟度识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111050819.5A CN113743333B (zh) | 2021-09-08 | 2021-09-08 | 一种草莓熟度识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111050819.5A CN113743333B (zh) | 2021-09-08 | 2021-09-08 | 一种草莓熟度识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113743333A true CN113743333A (zh) | 2021-12-03 |
| CN113743333B CN113743333B (zh) | 2024-03-01 |
Family
ID=78737245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111050819.5A Active CN113743333B (zh) | 2021-09-08 | 2021-09-08 | 一种草莓熟度识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743333B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724140A (zh) * | 2022-04-06 | 2022-07-08 | 中科合肥智慧农业协同创新研究院 | 一种基于yolo v3的草莓成熟度检测方法、装置 |
| CN114830971A (zh) * | 2022-04-15 | 2022-08-02 | 山东浪潮科学研究院有限公司 | 一种鸡枞菌自动采摘方法、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9824298B1 (en) * | 2014-12-15 | 2017-11-21 | Amazon Technologies, Inc. | Prediction and detection of produce quality |
| CN111274877A (zh) * | 2020-01-09 | 2020-06-12 | 重庆邮电大学 | 一种基于cnn的智能草莓采摘机器人控制系统 |
| WO2020181872A1 (zh) * | 2019-03-12 | 2020-09-17 | 北京旷视科技有限公司 | 一种物体检测方法、装置及电子设备 |
| CN111860537A (zh) * | 2020-07-17 | 2020-10-30 | 中南民族大学 | 基于深度学习的绿色柑橘识别方法、设备及装置 |
| WO2021020113A1 (ja) * | 2019-07-31 | 2021-02-04 | キヤノン株式会社 | 農作物育成支援システム、農作物育成方法 |
| CN112418130A (zh) * | 2020-11-30 | 2021-02-26 | 华南农业大学 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
| CN112749663A (zh) * | 2021-01-15 | 2021-05-04 | 金陵科技学院 | 基于物联网和ccnn模型的农业果实成熟度检测系统 |
| WO2021129691A1 (zh) * | 2019-12-23 | 2021-07-01 | 长沙智能驾驶研究院有限公司 | 一种对目标检测方法以及相应装置 |
| KR20210087729A (ko) * | 2020-01-03 | 2021-07-13 | 재단법인대구경북과학기술원 | 영상데이터를 이용한 딸기의 당도 및 산도 예측 방법 및 장치 |
-
2021
- 2021-09-08 CN CN202111050819.5A patent/CN113743333B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9824298B1 (en) * | 2014-12-15 | 2017-11-21 | Amazon Technologies, Inc. | Prediction and detection of produce quality |
| WO2020181872A1 (zh) * | 2019-03-12 | 2020-09-17 | 北京旷视科技有限公司 | 一种物体检测方法、装置及电子设备 |
| WO2021020113A1 (ja) * | 2019-07-31 | 2021-02-04 | キヤノン株式会社 | 農作物育成支援システム、農作物育成方法 |
| WO2021129691A1 (zh) * | 2019-12-23 | 2021-07-01 | 长沙智能驾驶研究院有限公司 | 一种对目标检测方法以及相应装置 |
| KR20210087729A (ko) * | 2020-01-03 | 2021-07-13 | 재단법인대구경북과학기술원 | 영상데이터를 이용한 딸기의 당도 및 산도 예측 방법 및 장치 |
| CN111274877A (zh) * | 2020-01-09 | 2020-06-12 | 重庆邮电大学 | 一种基于cnn的智能草莓采摘机器人控制系统 |
| CN111860537A (zh) * | 2020-07-17 | 2020-10-30 | 中南民族大学 | 基于深度学习的绿色柑橘识别方法、设备及装置 |
| CN112418130A (zh) * | 2020-11-30 | 2021-02-26 | 华南农业大学 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
| CN112749663A (zh) * | 2021-01-15 | 2021-05-04 | 金陵科技学院 | 基于物联网和ccnn模型的农业果实成熟度检测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 李尚平;李向辉;张可;李凯华;袁泓磊;黄宗晓;: "改进YOLOv3网络提高甘蔗茎节实时动态识别效率", 农业工程学报, no. 23, 8 December 2019 (2019-12-08) * |
| 胡友呈;许洪斌;黄琳;刘洒;杨长辉;: "基于区域特征的成熟柑橘及枝叶的分割识别", 现代制造工程, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724140A (zh) * | 2022-04-06 | 2022-07-08 | 中科合肥智慧农业协同创新研究院 | 一种基于yolo v3的草莓成熟度检测方法、装置 |
| CN114830971A (zh) * | 2022-04-15 | 2022-08-02 | 山东浪潮科学研究院有限公司 | 一种鸡枞菌自动采摘方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113743333B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447169B (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
| CN108171274B (zh) | 用于识别动物的方法和装置 | |
| CN111310808B (zh) | 图片识别模型的训练方法、装置、计算机系统及存储介质 | |
| KR101856584B1 (ko) | 교통 표지의 인식 방법 및 장치 | |
| CN112966697B (zh) | 基于场景语义的目标检测方法、装置、设备及存储介质 | |
| CN113743333A (zh) | 一种草莓熟度识别方法及装置 | |
| CN110222764A (zh) | 遮挡目标检测方法、系统、设备及存储介质 | |
| CN108280455B (zh) | 人体关键点检测方法和装置、电子设备、程序和介质 | |
| CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
| CN110348522A (zh) | 一种图像检测识别方法及系统、电子设备、图像分类网络优化方法及系统 | |
| CN111860537B (zh) | 基于深度学习的绿色柑橘识别方法、设备及装置 | |
| CN112101359B (zh) | 文本公式的定位方法、模型训练方法及相关装置 | |
| CN111783819A (zh) | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 | |
| CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
| CN115082922A (zh) | 基于深度学习的水表数字图片处理方法及系统 | |
| CN118172318A (zh) | 基于改进的YOLOv5模型的电子元件缺陷检测方法 | |
| CN114267032A (zh) | 一种集装箱定位识别方法、装置、设备及存储介质 | |
| CN109978058A (zh) | 确定图像分类的方法、装置、终端及存储介质 | |
| CN115438808A (zh) | 一种智慧灯杆故障智能上报方法、装置和系统 | |
| CN116580230A (zh) | 一种目标检测方法及一种分类模型的训练方法 | |
| CN112749293A (zh) | 一种图像分类方法、装置及存储介质 | |
| CN115116030A (zh) | 交通标识牌的识别方法和装置、存储介质及电子装置 | |
| CN114927236A (zh) | 一种面向多重目标图像的检测方法及系统 | |
| CN113361405A (zh) | 一种基于yolo v3的亚洲象识别方法及系统 | |
| CN118230275B (zh) | 目标物体识别方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |