CN115147648A - 一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法 - Google Patents

一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法 Download PDF

Info

Publication number
CN115147648A
CN115147648A CN202210750124.6A CN202210750124A CN115147648A CN 115147648 A CN115147648 A CN 115147648A CN 202210750124 A CN202210750124 A CN 202210750124A CN 115147648 A CN115147648 A CN 115147648A
Authority
CN
China
Prior art keywords
feature
module
improved
feature extraction
features
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
Application number
CN202210750124.6A
Other languages
English (en)
Inventor
黄娟
张伟
顾寄南
方新领
唐熠君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN202210750124.6A priority Critical patent/CN115147648A/zh
Publication of CN115147648A publication Critical patent/CN115147648A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法，实时采集茶叶嫩芽图像并进行图像预处理，再输入到改进的YOLOv5目标检测模块，改进的YOLOv5目标检测算法模块包括在特征提取阶段改进的主干特征提取网络和改进的加权双向特征金字塔BiFPN模块，改进的加权双向特征金字塔BiFPN模块用于特征融合，最后输入到Head预测输出网络，获得预测结果并输出识别图像的预测框。本发明适用于茶叶嫩梢等小目标物体的精准识别。

Description

一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法
技术领域
本发明属于茶叶智能采摘技术领域，具体涉及一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法。
背景技术
茶叶采摘机器人的研究旨在于降低茶农生产成本和减少采茶工工作量，在采茶机器人中，视觉识别与检测是重要的一环。在现有茶叶目标检测技术中主要分为传统算法和深度学习算法两类，基于传统算法的目标检测根据颜色特征通过图像分割等方法对茶叶嫩芽进行分割识别，基于深度学习的目标检测先利用卷积神经网络提取图片特征，再进行特征融合，随后输出特征生成预测框进行识别。
但是以上技术仍然存在以下缺陷：(1)基于传统算法的目标检测在特征提取时采用全图像滑动窗策略没有针对性，时间复杂度高，窗口冗余并且手工设计的特征对于多样性的变化没有很好的鲁棒性；(2)基于深度学习的一阶段目标检测算法虽然速度快，但是由于不生成候选区直接进行分类和预测，导致小目标检测精度低。
发明内容
针对现有技术中存在不足，本发明提供了一种基于改进YOLOv5目标检测的茶叶嫩芽稍识别方法，在不降低检测速度的情况下，增加对茶叶嫩梢的检测精度，以确保更好的完成茶叶采摘机器人的视觉检测任务。
本发明是通过以下技术手段实现上述技术目的的。
一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法，具体为：
将预处理后的图像输入到改进的YOLOv5目标检测算法模块进行特征提取和特征融合；
所述改进的YOLOv5目标检测算法模块包括在特征提取阶段改进的主干特征提取网络和改进的加权双向特征金字塔BiFPN模块；所述主干特征提取网络第一层利用卷积核+标准化+激活函数CBL对预处理后的图像进行特征提取、高宽压缩和通道扩充，利用残差模块对第一层的特征进行提取，再依次经过多个残差模块输出提取的特征；
将多个残差模块输出的特征输入改进的加权双向特征金字塔BiFPN模块进行特征融合，所述改进的加权双向特征金字塔BiFPN模块包括上采样部分和下采样部分，所述上采样部分包括两组相同操作：通道调整、上采样、拼接相同尺寸特征图和特征加强，所述下采样部分输入主干特征提取网络输出的尺寸最大特征，进行卷积特征提取、CSPNet特征提取和特征加强，再进行三组相同操作：通道调整、下采样、拼接相同尺寸特征图、特征提取、特征加强和输出特征；
所述改进的加权双向特征金字塔BiFPN模块进行特征融合的特征输入Head预测输出网络，利用卷积调整通道数，获得预测框与得分，再进行得分筛选与非极大抑制，在图像上绘制预测框并输出。
进一步的技术方案，最后一个残差模块由激活函数CBL+改进空间池化金字塔SPP模块+CSPNet组成.
更进一步的技术方案，所述改进空间池化金字塔SPP模块将一个最大池化层替换为平均池化层。
更进一步的技术方案，所述CSPNet包括主干部分和大残差边部分，在主干部分，先对特征进行通道整合再输入多个卷积核组成的残差结构中，在大残差边部分，将CSPNet的输入与主干部分的输出进行相接，然后进行通道整合。
进一步的技术方案，所述特征加强采用空间通道注意力模块进行。
更进一步的技术方案，所述空间通道注意力模块包括通道注意力子模块和空间注意力子模块，所述通道注意力子模块将输入按通道进行全局最大池化和均值池化后，分别送入一个两层的神经网络得到两个特征，将所述两个特征相加经激活函数得到权重系数Mc，再将权重系数Mc和输入相乘，得到输出特征F；所述空间注意力子模块输入特征F，分别进行一个通道维度的平均池化和最大池化，得到两个的特征并拼接，然后经过卷积操作，再经过激活函数得到权重系数Ms，将所述权重系数Ms和特征F相乘，得到最终的特征。
进一步的技术方案，所述残差模块个数为4个，输入改进的加权双向特征金字塔BiFPN模块的特征个数为4。
一种基于改进YOLOv5目标检测的茶叶嫩梢识别系统，包括：
图像预处理模块，用于对采集的茶叶嫩梢图像进行预处理；
改进的YOLOv5目标检测算法模块，包括在特征提取阶段改进的主干特征提取网络和改进的加权双向特征金字塔BiFPN模块，分别用于对预处理后的图像进行特征提取和特征融合；
预测输出模块，用于对融合后的特征进行分类回归并在图像上输出预测框。
一种电子设备，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现上述茶叶嫩梢识别方法。
一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行上述茶叶嫩梢识别方法。
本发明的有益效果为：
(1)本发明将主干特征提取网络CSPDarknet53第一层利用卷积核+标准化+激活函数CBL对预处理后的图像进行特征提取、高宽压缩和通道扩充，由于是检测茶叶嫩梢类的小目标，原本特征信息稀少，因此取消了原有的特殊下采样层，一定程度上减少了特征信息的损失，可以进一步提取有效特征，减少特征丢失。
(2)本发明改进空间池化金字塔SPP模块将一个最大池化层替换为平均池化层，由于平均池化能够减小邻域大小受限造成的估计值方差增大，更多的保留图像的背景信息，而最大池化能减少卷积层参数误差造成估计均值的偏移，更多的保留图像的纹理信息，将两者结合使用，有利于更多的保留茶叶嫩梢的背景和纹理信息。
(3)本发明利用改进的加权双向特征金字塔BiFPN模块进行特征融合，不同于普通特征融合模块的直接将不同分辨率的特征直接融合而不考虑其对输出的贡献值，BiFPN模块对不同的特征进行预加权重训练学习，更好地平衡不同尺度的特征信息对于输出值的影响。
(4)本发明的CBAM模块使得输入的特征图沿着通道和空间两个独立的维度依次推导注意力图，然后将注意力图乘以输入的特征图，进行自适应的特征细化，强化有效特征过滤无效特征。
附图说明
图1为本发明所述基于改进YOLOv5目标检测的茶叶嫩梢识别方法流程图；
图2(a)为本发明所述改进的主干特征提取网络整体结构图；
图2(b)为本发明所述CSPNet的结构图；
图3为本发明所述改进的SPP网络结构图；
图4为本发明所述改进的BiFPN模块示意图；
图5(a)为本发明所述CBAM模块示意图；
图5(b)为本发明所述通道注意力模块示意图；
图5(c)为本发明所述空间注意力模块示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
本发明基于改进YOLOv5目标检测的茶叶嫩梢识别方法用于茶园茶叶嫩梢的自动采摘过程中，结合图1，本发明的方法包括如下步骤：
步骤(1)，通过工业相机实时采集茶叶嫩梢图像，然后输入计算机进行图像预处理，消除图像采集过程中存在的光照、噪声等因素的影响；
步骤(2)，预处理后的图像输入到改进的YOLOv5目标检测算法模块(结合图2的Backbone和Neck所示)进行特征提取和特征融合；
改进的YOLOv5目标检测算法模块包括在特征提取阶段改进的主干特征提取网络CSPdarknet53、改进的空间池化金字塔(SPP)模块、改进的加权双向特征金字塔(BiFPN)模块和空间通道注意力(CBAM Convolutional Block Attention Module)模块。
通过改进的主干特征提取网络CSPDareknet53对图像进行特征提取，具体流程如图2(a)所示；将预处理后的图像以640*640*3的尺寸输入主干特征提取网络，在主干特征提取网络第一层利用卷积核(大小为3*3、步长为2)+标准化+激活函数(CBL)进行特征提取与高宽压缩和通道扩充，此时尺寸变为320*320*12；接着再进行一次CBL层，该层的卷积核大小为1*1、步长为1，作用是不改变特征图的尺寸大小，将通道数扩张为64作为输入残差块的基础通道(basic channel)；完成上述两步之后，将现有的320*320*64的特征图输入残差块(resblock)；resblock由一个CBL+CSPNet组成，CBL的作用是利用一个3*3、步长为2的卷积核进行特征提取与高宽压缩和通道扩充，将尺寸变为原来的1/2，通道变为原来的2倍；CSPNet的结构如图2(b)所示，主要分为主干部分和大残差边部分，在主干部分先利用一个卷积进行简单的通道整合，然后输入多个由大小为1*1和3*3的卷积核组成的残差结构中，该残差结构使得网络逐渐加深，使得特征提取过程变长，提取特征的精度变高；在大残差边部分经过简单的处理之后，直接将CSPNet的输入与主干部分的输出进行相接，然后将相接的特征输入CBL进行通道整合后输出；此时完成了一个完整的resblock，得到一个尺寸为160*160*128的特征图；之后的两个resblock以相同的步骤进行特征提取，得到两个特征图，大小分别为80*80*256和40*40*512；在最后一个resblock中，加入了SPP，通过不同池化核大小的最大池化层进行特征提取，提高网络的感受野，在本发明中对SPP进行了改进，将中间(也可以是其它的)9*9的池化核替换为平均池化，减小邻域大小受限造成的估计值方差增大，更多的保留图像的背景信息；改进的SPP流程如图3所示，将输入特征进行一个卷积调整通道，然后输入三个大小为5*5、9*9、13*13的池化核进行池化进行特征提取，将提取的特征与原CBL的输入特征进行concat操作之后进行最后的卷积通道调整；最后输出尺寸为20*20*1024的特征图。
将主干特征提取网络CSPDareknet53中四个尺寸(160*160*128、80*80*256、40*40*512和20*20*1024)不同的特征图输入BiFPN模块(如图4所示结构)进行特征融合(图2中Neck部分)。将尺寸20*20*1024的特征输入进行1次1*1卷积调整通道后进行上采样(图2中Upsample层)后得到40*40*512的特征图，与主干特征提取部分的相同尺寸特征进行拼接，然后使用CSPNet(过程与主干特征提取过程相同)进行特征提取，此时获得的特征图大小为40*40*512，之后输入CBAM模块，增强有效特征，抑制无效的特征；再进行上述相同步骤通道调整、上采样、拼接相同尺寸特征图、进入CBAM模块后，得到80*80*256的特征图；上采样阶段完成后，将主干特征提取部分输出的尺寸最大特征(160*160*128)输入下采样阶段，先由一卷积核尺寸大小为3x3、步长为1的卷积进行特征提取且不改变尺寸与通道数，然后进行CSPNet特征提取，输入CBAM模块，增强有效特征，抑制无效的特征，输出一个最终特征160*160*128；并将最终特征160*160*128输入CBL，进行3*3卷积之后下采样，此时得到的特征图大小为80*80*256，再与主干特征提取部分和上采样阶段的相同尺寸特征进行拼接，然后使用CSPNet(过程与主干特征提取过程相同)进行特征提取，并输入CBAM模块后输出特征图；之后再进行两次上述下采样过程，通道调整、下采样、拼接同尺寸特征图、特征提取、CBAM模块特征加强、输出特征；最终由Neck特征融合网络输出4个特征图进入Head预测输出网络。
CBAM模块如图5所示，CBAM模块包含2个独立的子模块：通道注意力模块和空间注意力模块(如图5所示)，分别进行通道与空间上的注意力；在卷积神经网络任意给定一个中间特征图，CBAM模块将注意力映射沿特征图的通道与空间两个独立的维度进行注入，给定一个中间特征Input作为输入，Input的形状为H×W×C(H为输入特征的高、W为输入特征的宽、C为输入特征的通道数)，首先对Input按通道进行全局最大池化和均值池化，得到两个1×1×C的通道描述，将池化后的两个一维向量分别送入一个两层的神经网络，这两层的神经网络是共享的，得到两个1×1×C的特征，将这两个特征相加后经过一个Sigmoid激活函数得到权重系数Mc(参见图5(b))，最后将权重系数Mc和Input相乘即可得到形状为H×W×C的输出特征F，通道注意力模块完成；将通道注意力模块得到输出特征F的作为空间注意力模块的输入特征，先分别进行一个通道维度的平均池化和最大池化得到两个H×W×1的特征，将这两个特征按照通道拼接在一起，然后经过一个7×7的卷积操作，降为一个通道，特征形状为H×W×1，再经过Sigmoid激活函数得到权重系数Ms(参见图5(c))，最后，将权重系数Ms和特征F相乘即可得到最终的特征Refined Feature，完成空间注意力操作；CBAM模块将空间注意力和通道注意力结合起来，特征融合网络中加入空间通道注意力模块后能显著提高图像分类和目标检测的准确率，综合效率和精度。
步骤(3)，将提取的特征输入Head预测输出网络(图2中的Head)进行分类回归并在图像上输出预测框
利用BiFPN模块可以获得四个加强特征，这四个加强特征的尺寸分别为20*20*1024、40*40*512、80*80*256、160*160*128，利用这四个尺寸的特征传入Head预测输出网络，利用一个卷积调整通道数，获得预测框与得分，最后进行得分筛选与非极大抑制后的结果就可以用于绘制预测框。其中得分筛选就是筛选出得分满足初始置信度的预测框；非极大抑制为筛选出一定区域内属于同一种类得分最大的框。
一种基于改进YOLOv5目标检测的茶叶嫩梢识别系统，包括：
图像预处理模块，用于对采集的茶叶嫩梢图像进行预处理；
改进的YOLOv5目标检测算法模块，包括在特征提取阶段改进的主干特征提取网络和改进的加权双向特征金字塔BiFPN模块，分别用于对预处理后的图像进行特征提取和特征融合；
预测输出模块，用于对融合后的特征进行分类回归并在图像上输出预测框。
基于与基于改进YOLOv5目标检测的茶叶嫩梢识别方法相同的发明构思，本申请还提供了一种电子设备，该电子设备包括一个或多个处理器和一个或多个存储器，存储器中存储了计算机可读代码，其中，计算机可读代码当由一个或多个处理器执行时，进行基于改进YOLOv5目标检测的茶叶嫩梢识别方法的实施。其中，存储器可以包括非易失性存储介质和内存储器；非易失性存储介质可存储操作系统和计算机可读代码。该计算机可读代码包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法。处理器用于提供计算和控制能力，支撑整个电子设备的运行。存储器为非易失性存储介质中的计算机可读代码的运行提供环境，该计算机可读代码被处理器执行时，可使得处理器执行任意一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读代码，所述计算机可读代码中包括程序指令，所述处理器执行所述程序指令，实现本申请的基于改进YOLOv5目标检测的茶叶嫩梢识别方法。
其中，所述计算机可读存储介质可以是前述实施例所述电子设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述电子设备的外部存储设备，例如所述电子设备上配备的插接式硬盘、智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (10)

1.一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法，其特征在于：
将预处理后的图像输入到改进的YOLOv5目标检测算法模块进行特征提取和特征融合；
所述改进的YOLOv5目标检测算法模块包括在特征提取阶段改进的主干特征提取网络和改进的加权双向特征金字塔BiFPN模块；所述主干特征提取网络第一层利用卷积核+标准化+激活函数CBL对预处理后的图像进行特征提取、高宽压缩和通道扩充，利用残差模块对第一层的特征进行提取，再依次经过多个残差模块输出提取的特征；
将多个残差模块输出的特征输入改进的加权双向特征金字塔BiFPN模块进行特征融合，所述改进的加权双向特征金字塔BiFPN模块包括上采样部分和下采样部分，所述上采样部分包括两组相同操作：通道调整、上采样、拼接相同尺寸特征图和特征加强，所述下采样部分输入主干特征提取网络输出的尺寸最大特征，进行卷积特征提取、CSPNet特征提取和特征加强，再进行三组相同操作：通道调整、下采样、拼接相同尺寸特征图、特征提取、特征加强和输出特征；
所述改进的加权双向特征金字塔BiFPN模块进行特征融合的特征输入Head预测输出网络，利用卷积调整通道数，获得预测框与得分，再进行得分筛选与非极大抑制，在图像上绘制预测框并输出。
2.根据权利要求1所述的茶叶嫩梢识别方法，其特征在于，最后一个残差模块由激活函数CBL+改进空间池化金字塔SPP模块+CSPNet组成。
3.根据权利要求2所述的茶叶嫩梢识别方法，其特征在于，所述改进空间池化金字塔SPP模块将一个最大池化层替换为平均池化层。
4.根据权利要求2所述的茶叶嫩梢识别方法，其特征在于，所述CSPNet包括主干部分和大残差边部分，在主干部分，先对特征进行通道整合再输入多个卷积核组成的残差结构中，在大残差边部分，将CSPNet的输入与主干部分的输出进行相接，然后进行通道整合。
5.根据权利要求1所述的茶叶嫩梢识别方法，其特征在于，所述特征加强采用空间通道注意力模块进行。
6.根据权利要求5所述的茶叶嫩梢识别方法，其特征在于，所述空间通道注意力模块包括通道注意力子模块和空间注意力子模块，所述通道注意力子模块将输入按通道进行全局最大池化和均值池化后，分别送入一个两层的神经网络得到两个特征，将所述两个特征相加经激活函数得到权重系数Mc，再将权重系数Mc和输入相乘，得到输出特征F；所述空间注意力子模块输入特征F，分别进行一个通道维度的平均池化和最大池化，得到两个的特征并拼接，然后经过卷积操作，再经过激活函数得到权重系数Ms，将所述权重系数Ms和特征F相乘，得到最终的特征。
7.根据权利要求1所述的茶叶嫩梢识别方法，其特征在于，所述残差模块个数为4个，输入改进的加权双向特征金字塔BiFPN模块的特征个数为4。
8.一种实现权利要求1-7任一项所述的茶叶嫩梢识别方法的系统，其特征在于，包括：
图像预处理模块，用于对采集的茶叶嫩稍图像进行预处理；
改进的YOLOv5目标检测算法模块，包括在特征提取阶段改进的主干特征提取网络和改进的加权双向特征金字塔BiFPN模块，分别用于对预处理后的图像进行特征提取和特征融合；
预测输出模块，用于对融合后的特征进行分类回归并在图像上输出预测框。
9.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1-7任一项所述的茶叶嫩梢识别方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行如权利要求1-7任一项所述的茶叶嫩梢识别方法。
CN202210750124.6A 2022-06-29 2022-06-29 一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法 Pending CN115147648A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210750124.6A CN115147648A (zh) 2022-06-29 2022-06-29 一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210750124.6A CN115147648A (zh) 2022-06-29 2022-06-29 一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法

Publications (1)

Publication Number Publication Date
CN115147648A true CN115147648A (zh) 2022-10-04

Family

ID=83411198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210750124.6A Pending CN115147648A (zh) 2022-06-29 2022-06-29 一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法

Country Status (1)

Country Link
CN (1) CN115147648A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661429A (zh) * 2022-11-11 2023-01-31 四川川锅环保工程有限公司 一种锅炉水冷壁管缺陷识别系统、方法和存储介质
CN115861185A (zh) * 2022-11-14 2023-03-28 杭州电子科技大学 一种田间复杂背景的稻飞虱计数模型
CN117152443A (zh) * 2023-10-30 2023-12-01 江西云眼视界科技股份有限公司 一种基于语义前导指引的图像实例分割方法及系统
CN117253050A (zh) * 2023-11-20 2023-12-19 华南农业大学 一种基于自适应特征提取的茶芽叶检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661429A (zh) * 2022-11-11 2023-01-31 四川川锅环保工程有限公司 一种锅炉水冷壁管缺陷识别系统、方法和存储介质
CN115661429B (zh) * 2022-11-11 2023-03-10 四川川锅环保工程有限公司 一种锅炉水冷壁管缺陷识别系统、方法和存储介质
CN115861185A (zh) * 2022-11-14 2023-03-28 杭州电子科技大学 一种田间复杂背景的稻飞虱计数模型
CN115861185B (zh) * 2022-11-14 2023-08-11 杭州电子科技大学 一种田间复杂背景的稻飞虱计数方法
CN117152443A (zh) * 2023-10-30 2023-12-01 江西云眼视界科技股份有限公司 一种基于语义前导指引的图像实例分割方法及系统
CN117152443B (zh) * 2023-10-30 2024-02-23 江西云眼视界科技股份有限公司 一种基于语义前导指引的图像实例分割方法及系统
CN117253050A (zh) * 2023-11-20 2023-12-19 华南农业大学 一种基于自适应特征提取的茶芽叶检测方法
CN117253050B (zh) * 2023-11-20 2024-03-22 华南农业大学 一种基于自适应特征提取的茶芽叶检测方法

Similar Documents

Publication Publication Date Title
CN108509978B (zh) 基于cnn的多级特征融合的多类目标检测方法及模型
KR102030628B1 (ko) Cnn 기반 차량 번호판 인식 방법 및 시스템
CN115147648A (zh) 一种基于改进YOLOv5目标检测的茶叶嫩梢识别方法
CN111814794B (zh) 文本检测方法、装置、电子设备及存储介质
CN111210443A (zh) 基于嵌入平衡的可变形卷积混合任务级联语义分割方法
CN112446378B (zh) 目标检测方法及装置、存储介质、终端
CN112446270A (zh) 行人再识别网络的训练方法、行人再识别方法和装置
US20210081695A1 (en) Image processing method, apparatus, electronic device and computer readable storage medium
CN113065645B (zh) 孪生注意力网络、图像处理方法和装置
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN113807361B (zh) 神经网络、目标检测方法、神经网络训练方法及相关产品
CN111353544A (zh) 一种基于改进的Mixed Pooling-YOLOV3目标检测方法
CN111639513A (zh) 一种船只遮挡识别方法、装置及电子设备
CN112183649A (zh) 一种用于对金字塔特征图进行预测的算法
CN112580458A (zh) 人脸表情识别方法、装置、设备及存储介质
CN114037640A (zh) 图像生成方法及装置
CN108363962B (zh) 一种基于多层次特征深度学习的人脸检测方法及系统
CN115761484A (zh) 一种基于遥感图像的云检测方法及装置
CN114764856A (zh) 图像语义分割方法和图像语义分割装置
CN112541394A (zh) 黑眼圈及鼻炎识别方法、系统及计算机介质
CN116863194A (zh) 一种足溃疡图像分类方法、系统、设备及介质
CN111062347A (zh) 一种自动驾驶中交通要素分割方法、电子设备及存储介质
CN107886093B (zh) 一种字符检测方法、系统、设备及计算机存储介质
CN111881803B (zh) 一种基于改进YOLOv3的畜脸识别方法
Hu et al. Automatic detection of pecan fruits based on Faster RCNN with FPN in orchard

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