本发明涉及计算机视觉目标检测,尤其涉及一种番茄成熟度检测方法、装置、设备及存储介质。
背景技术:
1、番茄是一种常见的食材,原产于南美洲,其不仅味道甜美,还具有丰富的营养价值,在我国有着大量的种植需求。当前成熟番茄的采摘方式大多依赖于人工作业,由于番茄果实生长在茂密的叶片中且成熟阶段不一致,采摘过程中往往会面临许多困难,导致采摘成本高效率低。尤其是在大面积种植的大棚中,人工更加难以把握番茄成熟时机,从而给后续的运输和销售等一系列环节带来了不确定性。因此,研发智能化的番茄成熟度检测系统对于实现自动化采摘具有重要意义,可以大大提高采摘的效率和准确性。
2、近年来,随着深度学习和人工智能技术的飞速发展,传统农业正逐步向智能化农业转型。深度学习通过模拟人类神经网络的结构和功能,让计算机能够自动学习和理解数据。通过深度学习方法,可以构建高度复杂的神经网络,利用大量的数据来训练模型,从而实现对番茄成熟度的准确识别。但是,现有的深度学习方法在大面积且复杂的番茄种植环境下检测效率低,同时对小目标的识别准确率差的技术问题。
技术实现思路
1、本发明的主要目的在于提供一种番茄成熟度检测方法、装置、设备及存储介质,旨在解决现有技术中的深度学习方法在大面积且复杂的番茄种植环境下检测效率低,同时对小目标的识别准确率差的技术问题。
2、为实现上述目的,本发明提供一种番茄成熟度检测方法,所述方法包括以下步骤:
3、对获取到的原始番茄图像进行预处理,获得处理后的番茄图像;
4、基于改进的yolov8模型对所述处理后的番茄图像进行番茄成熟度检测,获得检测结果,所述改进的yolov8模型包括预设主干网络、预设颈部网络和预设检测头,所述预设主干网络包括增加了的cpca注意力机制模块,所述预设颈部网络包括增加了一个上采样层、替换前两个原始上采样层为carafe上采样算子、替换后三个c2f模块为vovgscsp模块,所述预设检测头用于将所述预设颈部网络中第三个c2f和三个所述vovgscsp模块输出的特征图进行合并;
5、根据所述检测结果确定番茄的成熟度。
6、可选地,所述改进的yolov8模型还包括输入模块和输出模块,所述输入模块与所述预设主干网络连接,所述预设主干网络与所述预设颈部网络连接,所述预设颈部网络与所述预设检测头连接;
7、所述基于改进的yolov8模型对所述处理后的番茄图像进行番茄成熟度检测,获得检测结果,包括:
8、将所述处理后的番茄图像发送至所述输入模块进行预处理,获得待测图像;
9、通过所述预设主干网络对所述待测图像进行特征提取,获得初始特征图;
10、通过所述预设颈部网络对所述初始特征图进行特征融合,获得待测特征图;
11、通过所述预设检测头对所述待测特征图进行番茄成熟度检测,获得检测结果。
12、可选地,所述通过所述预设主干网络对所述待测图像进行特征提取,获得初始特征图,包括:
13、通过所述预设主干网络的cpca注意力机制模块对所述待测图像进行多尺度特征提取,获得初始特征图。
14、可选地,所述carafe上采样算子和所述上采样层连接;
15、所述通过所述预设颈部网络对所述初始特征图进行特征融合,获得待测特征图,包括:
16、通过所述预设颈部网络中的所述carafe上采样算子和所述上采样层对所述初始特征图进行上采样操作,获得初始上采样特征图;
17、通过所述预设颈部网络中的所述vovgscsp模块捕捉所述初始上采样特征图中的特征和结构信息,获得待测特征图。
18、可选地,所述通过所述预设检测头对所述待测特征图进行番茄成熟度检测,获得检测结果,包括:
19、通过所述预设检测头对所述初始上采样特征图和所述待测特征图进行合并,获得合并后的特征图;
20、对所述合并后的特征图进行番茄成熟度检测,获得检测结果。
21、可选地,所述对获取到的原始番茄图像进行预处理,获得处理后的番茄图像之前,还包括:
22、对获取到的番茄图像训练集进行预处理,获得预处理后的图像训练集;
23、对所述预处理后的图像训练集进行番茄位置标注,获得位置标注后的图像训练集;
24、根据每个番茄位置的红色区域百分比对所述位置标注后的图像训练集进行番茄成熟度标注,获得成熟度标注后的图像训练集;
25、根据所述成熟度标注后的图像训练集对待训练的改进后的yolov8模型进行迭代训练,获得改进的yolov8模型。
26、可选地,所述根据所述成熟度标注后的图像训练集对待训练的改进后的yolov8模型进行迭代训练,获得改进的yolov8模型,包括:
27、根据所述成熟度标注后的图像训练集对待训练的改进后的yolov8模型进行迭代训练,通过调整模型参数的方式获得多个训练后的yolov8模型;
28、根据map指标对多个所述训练后的yolov8模型进行性能验证,选取map指标最高值对应的所述训练后的yolov8模型,获得改进的yolov8模型。
29、此外,为实现上述目的,本发明还提出一种番茄成熟度检测装置,所述番茄成熟度检测装置包括:
30、图像处理模块,用于对获取到的原始番茄图像进行预处理,获得处理后的番茄图像;
31、成熟度检测模块,用于基于改进的yolov8模型对所述处理后的番茄图像进行番茄成熟度检测,获得检测结果,所述改进的yolov8模型包括预设主干网络、预设颈部网络和预设检测头,所述预设主干网络包括增加了的cpca注意力机制模块,所述预设颈部网络包括增加了一个上采样层、替换前两个原始上采样层为carafe上采样算子、替换后三个c2f模块为vovgscsp模块,所述预设检测头用于将所述预设颈部网络中第三个c2f和三个所述vovgscsp模块输出的特征图进行合并;
32、成熟度确定模块,用于根据所述检测结果确定番茄的成熟度。
33、此外,为实现上述目的,本发明还提出一种番茄成熟度检测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的番茄成熟度检测程序,所述番茄成熟度检测程序配置为实现如上文所述的番茄成熟度检测方法的步骤。
34、此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有番茄成熟度检测程序,所述番茄成熟度检测程序被处理器执行时实现如上文所述的番茄成熟度检测方法的步骤。
35、在本发明中,公开了基于改进的yolov8模型对番茄图像进行成熟度检测,改进的yolov8模型在主干网络中加入cpca注意力机制可以同时关注输入图像的不同区域并动态调整它们的权重。在颈部网络的原有基础上增加上采样层,并将部分上采样层替换为轻量级的carafe采样算子,在维持计算量的同时能够扩大感受野;将颈部的后三个c2f模块替换为vovgscsp模块,这一轻量级的设计能在减轻模型参数量的同时保证模型的准确率。还增加了检测头部分用于合并的特征图的数量,可以捕获不同层次的语义信息,帮助模型更好地检测复杂场景和小尺寸的目标物体。与原始的yolov8模型相比,所述改进后的yolov8模型在检测精度上提升了约1.9%,在参数量上下降了约5.37%。从而能够实时检测复杂场景下番茄的成熟度,并且可以部署至嵌入式设备上,这将有助于提升番茄产业的生产效率和品质,进一步推动农业的智能化进程,为农业生产注入新的活力。