一种通过图片快速计算柑橘产量的方法与流程

本发明属于农产品图像识别和智能计算领域，特别涉及一种通过图片快速计算柑橘产量的方法。技术背景在柑橘收果前，一般通过数数或估算的方式，获得单株柑橘产果数量，然后换算产量。现有的通过估算计算产量的方法中，一般以单株估算果粒数量、平均单粒重量、平均每亩株数和亩数的乘积得出。通过计数、点数单株柑橘果粒数量，然后估算产量，效率低，准确率低。现有的对拍摄图像中果粒数量的智能识别方法，仅能统计拍摄面外表的果粒数量，难以根据图片得到单株果树的果粒数量。技术实现要素：根据上述的技术问题，本发明通过智能终端拍摄挂果阶段的单株柑橘的照片，根据果粒系数、树龄、树形，即可科学估算出单株柑橘果树的果粒，并通过对柑橘单颗重量的修正，准确计算种植区柑橘产量。具体技术方案如下：一种通过图片快速计算柑橘产量的方法，包括以下步骤：s1：智能终端获取单株柑橘图片；s2：将s1获取的单株柑橘图片由网络模型进行识别，返回单株识别果粒数量n、k(m)树龄系数、k(w)树形系数；s3：通过如下公式得到柑橘数量：p＝n*{e[k(n)+k(m)+k(w)]-1}*[ln(x+1)]*y*z其中，p为柑橘产量，n为单株识别果粒数量，k(n)为果粒系数，k(m)为树龄系数，k(w)为树形系数，x为平均单粒重量，y为平均每亩株数，z为亩数。由于单株柑橘的图片仅拍摄到单株柑橘果树单侧外层的挂果数量，因此，需要对果粒的特征、柑橘树龄和树形的挂果特征、该批次果粒的重量特征进行修正，合理的估算出单株柑橘的数量。进一步地，还包括如下步骤：s0：建立n单株识别果粒数量、k(m)树龄系数、k(w)树形系数的网络模型。进一步地，果粒系数k(n)通过以下计算方法获得：其中，n为单株识别果粒数量，ns为真实单株果粒数量，fs为修正值。进一步地，树龄系数k(m)，其中，m≥1.5，0.85≤k(m)≤1。进一步地，树形系数k(w)，其中，0.98≤k(w)≤1.12。进一步地，平均单粒柑橘重量x通过如下公式获得：其中，x为柑橘样本数量，x为单株识别果粒数量,xi为样本中单颗柑橘的重量。进一步地，单株识别果粒数量n的网络模型建立具体步骤如下：s0-1-1：拍摄不同的含有柑橘果的若干照片；s0-1-2：利用labelimg标注工具对s0-1-1获取的图片中的柑橘果进行标注，框出图片中的果实；s0-1-3：对s0-1-2标注好的图片进行预处理，包括数据增强和归一化处理；s0-1-4：将s0-1-3预处理后的图片按照5：1的比例将数据分成训练集和测试集；s0-1-5：训练集中的数据通过fasterrcnn深度神经网络提取图片的特征信息，特征信息包括纹理信息、色彩信息、形状信息，然后预测图片中目标的位置信息，经多次迭代后生成网络参数；s0-1-6：测试集中的数据通过fasterrcnn深度神经网络对s0-1-5生成的网络参数进行测试，获得测试图片的位置信息与测试图片在s0-1-2标注的位置信息进行比较，最终通过平均精度map和召回率recall进行评估；s0-1-7：重复步骤s0-1-5和s0-1-6，直至map和recall达到需求；s0-1-8：将最终训练好的网络参数，加载到fasterrcnn网络模型当中。进一步地，树龄系数k(m)的网络模型建立具体步骤如下：s0-2-1：拍摄不同特定树龄段的单株柑橘的若干照片，特定树龄段包括：1.5≤m＜2.5，2.5≤m＜3.5，3.5≤m＜4.5，4.5≤y，并将图片按照树龄段分为4个类；s0-2-2：对步骤s0-2-1分类好的图片进行预处理，包括数据增强和归一化处理；s0-2-3：将s0-2-2中不同分类的图片按照5：1的比例将数据分成训练集和测试集；s0-2-4：训练集中的数据通过googlenet深度神经网络提取图片的特征信息，特征信息包括纹理信息、色彩信息、形状信息，然后预测图片的所属分类，经多次迭代后生成网络参数；s0-2-5：测试集中的数据通过googlenet深度神经网络对s0-2-4生成的网络参数进行测试，获得测试图片的所属分类与测试图片在s0-2-1中所属分类进行比较，最终召回率recall和识别精度进行评估；s0-2-6：重复步骤s0-2-4和s0-2-5，直至recall和识别精度达到需求；s0-2-7：将最终训练好的网络参数，加载到googlenet网络模型当中。进一步地，树形系数k(w)的网络模型建立具体步骤如下：s0-3-1：拍摄不同特定树形w的单株柑橘树的若干照片，特定树形w包括：多主枝放射形、自然开心形、圆柱形、主干形、自然圆头形，并将图片按照树形分为5个类；s0-3-2：对步骤s0-3-1分类好的图片进行预处理，包括数据增强和归一化处理；s0-3-3：将s0-3-2中不同分类的图片按照5：1的比例将数据分成训练集和测试集；s0-3-4：训练集中的数据通过googlenet深度神经网络提取图片的特征信息，特征信息包括纹理信息、色彩信息、形状信息，然后预测图片的所属分类，经多次迭代后生成网络参数；s0-3-5：测试集中的数据通过googlenet深度神经网络对s0-3-4生成的网络参数进行测试，获得测试图片的所属分类与测试图片在s0-3-1中所属分类进行比较，最终召回率recall和识别精度进行评估；s0-3-6：重复步骤s0-3-4和s0-3-5，直至recall和识别精度达到需求；s0-3-7：将最终训练好的网络参数，加载到googlenet网络模型当中。本发明的有益效果为：本方法实现通过智能终端拍摄挂果阶段的单株柑橘的照片，智能识别出柑橘果粒的数量，根据果粒系数、树龄、树形、单颗果粒重量特征，即可科学估算出单株柑橘果树的果粒，准确计算种植区柑橘产量。附图说明附图1为本发明的一种通过图片快速计算柑橘产量的方法的实现流程图。具体实施方式以下通过附图具体对本发明的方案进行阐述。一种通过图片快速计算柑橘产量的方法，包括以下步骤：s0：建立n单株识别果粒数量、k(m)树龄系数、k(w)树形系数的网络模型；s0-1：建立单株识别果粒数量n的网络模型；s0-1-1：拍摄不同的含有柑橘果的若干照片作为柑橘果样本库，图片数量不少于1000张；s0-1-2：利用labelimg标注工具对s0-1-1获取的图片中的柑橘果进行标注，框出图片中的果实；s0-1-3：对s0-1-2标注好的图片进行预处理，使用opencv的rotateimage对图片进行旋转、使用lightimage对图片亮度进行处理，实现数据增强；使用caffe的scalelayer和batchnormlayer实现数据归一化处理；增加样本数量，以提高算法鲁棒性，使网络能够更好的进行优化；s0-1-4：将s0-1-3预处理后的图片按照5：1的比例将数据分成训练集和测试集；s0-1-5：训练集中的数据通过fasterrcnn深度神经网络提取图片的特征信息，特征信息包括纹理信息、色彩信息、形状信息，然后预测图片中目标的位置信息，经50万次迭代后生成网络参数；s0-1-6：测试集中的数据通过fasterrcnn深度神经网络对s0-1-5生成的网络参数进行测试，获得测试图片的位置信息与测试图片在s0-1-2标注的位置信息进行比较，最终通过平均精度map和召回率recall进行评估；s0-1-7：重复步骤s0-1-5和s0-1-6，直至map和recall达到需求；s0-1-8：将最终训练好的网络参数，加载到fasterrcnn网络模型当中。s0-2：建立k(m)树龄系数的网络模型；s0-2-1：拍摄不同特定树龄段的单株柑橘的若干照片作为为柑橘特定树龄样本库，每种特定树龄图片数量不少于1000张；特定树龄段包括：1.5≤m＜2.5，2.5≤m＜3.5，3.5≤m＜4.5，4.5≤y，并将图片按照树龄段分为4个类；根据公知的柑橘从幼苗生长到4.5年，树形和枝条才趋于稳定，树形大小和茂盛影响计算。根据大量数据采样及修正，树龄系数与树龄关系如下：树龄m树龄系数k(m)1.5-2.50.852.5-3.50.933.5-4.50.974.5及上1s0-2-2：对步骤s0-2-1分类好的图片进行预处理，使用opencv的rotateimage对图片进行旋转、使用lightimage对图片亮度进行处理，实现数据增强；使用caffe的scalelayer和batchnormlayer实现数据归一化处理；增加样本数量，以提高算法鲁棒性，使网络能够更好的进行优化；s0-2-3：将s0-2-2中不同分类的图片按照5：1的比例将数据分成训练集和测试集；s0-2-4：训练集中的数据通过googlenet深度神经网络提取图片的特征信息，特征信息包括纹理信息、色彩信息、形状信息，然后预测图片的所属分类，经50万次迭代后生成网络参数；s0-2-5：测试集中的数据通过googlenet深度神经网络对s0-2-4生成的网络参数进行测试，获得测试图片的所属分类与测试图片在s0-2-1中所属分类进行比较，最终召回率recall和识别精度进行评估；s0-2-6：重复步骤s0-2-4和s0-2-5，直至recall和识别精度达到需求；s0-2-7：将最终训练好的网络参数，加载到googlenet网络模型当中。s0-3：建立k(w)树形系数的网络模型；s0-3-1：拍摄不同特定树形w的单株柑橘树的若干照片作为柑橘特定树形样本库，每种特定树形图片数量不少于1000张；特定树形w包括：多主枝放射形、自然开心形、圆柱形、主干形、自然圆头形，并将图片按照树形分为5个类；根据公知的柑橘树形有多种形状，根据不同给柑橘品种进行修剪。常见的分类有：1)多主枝放射形：无类中心主干，有主枝源若干个；2)自然圆头形：最接近于自然生长的柑橘整形，枝条多而密；3)自然开心形：骨干枝从属明显，枝条分布均匀，光照好；4)主干形：分支自然，树形较高，主枝数目较多；5)圆柱形：上下主枝长度差异较小；不同树形结构影响计算。根据大量数据采样及修正，树形系数与树形关系如下：树形w树形系数k(w)多主枝放射形0.98自然开心形1圆柱形1.02主干形1.05自然圆头形1.12s0-3-2：对步骤s0-3-1分类好的图片进行预处理，使用opencv的rotateimage对图片进行旋转、使用lightimage对图片亮度进行处理，实现数据增强；使用caffe的scalelayer和batchnormlayer实现数据归一化处理；增加样本数量，以提高算法鲁棒性，使网络能够更好的进行优化；s0-3-3：将s0-3-2中不同分类的图片按照5：1的比例将数据分成训练集和测试集；s0-3-4：训练集中的数据通过googlenet深度神经网络提取图片的特征信息，特征信息包括纹理信息、色彩信息、形状信息，然后预测图片的所属分类，经50万次迭代后生成网络参数；s0-3-5：测试集中的数据通过googlenet深度神经网络对s0-3-4生成的网络参数进行测试，获得测试图片的所属分类与测试图片在s0-3-1中所属分类进行比较，最终召回率recall和识别精度进行评估；s0-3-6：重复步骤s0-3-4和s0-3-5，直至recall和识别精度达到需求；s0-3-7：将最终训练好的网络参数，加载到googlenet网络模型当中。s1：智能终端获取单株柑橘图片，拍照时，保持单株柑橘主体清晰，位置位于图片正中间。s2：图片由fasterrcnn网络模型进行识别，返回检测到的柑橘目标，得到柑橘的单株识别果粒数量n；图片由googlenet网络模型进行识别，返得到柑橘的k(m)树龄系数、k(w)树形系数的分类结果和可信度。s3：通过如下公式得到柑橘数量：p＝n*{e[k(n)+k(m)+k(w)]-1}*[ln(x+1)]*y*z其中，p为柑橘产量，n为单株识别果粒数量，k(n)为果粒系数，k(m)为树龄系数，k(w)为树形系数，x为平均单粒重量，y为平均每亩株数，z为亩数。平均单粒柑橘重量x通过如下公式获得：其中，x为柑橘样本数量，x为单株识别果粒数量,xi为样本中单颗柑橘的重量。果粒系数k(n)通过以下计算方法获得：其中，n为单株识别果粒数量，ns为真实单株果粒数量，fs为修正值；果粒系数即单株识别果粒数量，是柑橘植株单侧外层检测到的数量，需要乘以果粒系列，逼近真实单株果粒数量ns。根据公知的柑橘果粒大多数生长在果树外层，且基本均有分布，内层果实较少。果粒系数可根据真实的单株果粒数量ns与单株识别果粒数量线性关系并加减修正值，可得出果粒系数。当前第1页12