买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南农业大学

摘要：本发明公开了一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法，包括步骤：采集自然果园场景下凤梨图像数据，经过图像预处理后，建立凤梨图像库；构建基于RetinaNet的网络模型结构；改进RetinaNet，构建ECA‑RetinaNet凤梨检测网络；导入训练数据集对ECA‑RetinaNet，选择焦点损失函数来编译模型进行训练，获取检测凤梨成熟度的最优模型；利用测试集进行测试，通过ECA‑RetinaNet模型对凤梨图像进行成熟度检测。本发明可以快速且准确的定位凤梨位置并且分类凤梨的成熟度，能够提供成熟凤梨分布信息，有助于合理安排劳动力，从而降低收割成本，促进精准农业的发展。

主权项：1.一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法，其特征在于，包括步骤：S1、采集自然果园场景下凤梨图像数据，经过图像预处理后，建立凤梨图像库，所述凤梨图像库包括训练数据集、验证数据集和测试数据集；S2、构建基于RetinaNet的网络模型结构，包括步骤：S21、选择ResNet50作为主干特征网络，将600×600×3大小的凤梨图片传入ResNet50网络；ResNet50其包含ConvBlock和IdentityBlock两个基本块；ConvBlock的输入维度和输出维度不同，其有改变网络维度的功能，将输入图片长和宽进行压缩；IdentityBlock的输入和输出维度相同，其有加深ResNet50网络深度的功能；其中需要取出长宽压缩了3次、4次、5次的结果来进行步骤S22特征金字塔结构的构造；S22、通过步骤S21获得到的特征后经过特征金字塔FPN的处理，主干特征提取网络通过步骤S21后获得3个不同感受野的特征层C3、C4、C5，通过特征金字塔FPN，获得了5个有效特征层，包括有效特征层P3、P4、P5、P6、P7，其具体内容为以下：特征层C5通过了一次步长为2，通道数为256的卷积得到有效特征层P6，有效特征层P6会将图像划分为10×10的网格进行预测；在有效特征层P6的基础上进行一个ReLU激活函数的操作后，再进行一次步长为2，通道数为256的卷积得到有效特征层P7，有效特征层P7会将图像划分为5×5的网格进行预测；特征层C5经过一次通道数为256的卷积，卷积后的结果有2个应用方向；其中一个方向是进行了一次通道数为256的卷积得到有效特征层P5，有效特征层P5会将图像划分为19×19的网格进行预测；另一个应用方向是进行上采样，上采样的结果再与特征层C4进行了一次通道数为256的卷积后的结果相加；相加后的结果有2个应用方向，其中一个方向是进行一次卷积获得有效特征层P4，有效特征层P4会将图像划分为38×38的网格进行预测；另一个应用方向是再进行一次上采样，上采样的结果再与特征层C3进行了一次通道数为256的卷积后的结果相加，相加后的结果进行一次卷积获得有效特征层P3，有效特征层P3会将图像划分为75×75的网格进行预测；S23、通过步骤S22获得了5个有效特征层，包括有效特征层P3、P4、P5、P6、P7，利用这5个有效特征层传输入classsubnet分类子网层和boxsubnet边界框回归子网层获得预测结果；classsubnet采用4次256通道的卷积和1次num_anchors×num_classes的卷积，num_anchors指的是该特征层所拥有的先验框数量，num_classes指的是网络一共对多少类的目标进行检测；将输出结果经过一个Sigmoid函数，将预测概率固定到0-1之间；boxsubnet采用4次256通道的卷积和1次num_anchors×4的卷积，num_anchors指的是该特征层所拥有的先验框数量，4指的是先验框的调整情况；S3、在步骤S2得到的初步网络结构的基础上，改进RetinaNet，构建ECA-RetinaNet凤梨检测网络，包括步骤：S31、将ECA模块嵌入classsubnet中，将特征金字塔的每层特征在分类子网络中再次进行提炼，其中所述ECA模块构造包括步骤：S311、对从步骤S2中输入进来的有效特征层P3、P4、P5、P6、P7进行全局平均池化；S312、进行一个1D卷积，1D卷积的计算方法是：若输入数据维度为8，过滤器的维度为5，则卷积后输出的数据维度为4；S313、取一次Sigmoid函数将值固定到0-1之间，获得输入特征层每一个通道的权值，所述权值在0和1之间；S314、将所述权值乘上原输入特征层；S32、将精炼过得到的特征图通过4次256通道的卷积和1次num_anchors×num_classes的卷积，num_anchors指的是该特征层所拥有的先验框数量，num_classes指的是网络一共对多少类的目标进行检测，将输出结果经过一个Sigmoid函数，输出最终的凤梨成熟度分类结果；S4、导入S1得到的训练数据集对S3中得到的ECA-RetinaNet选择焦点损失函数来编译模型进行训练，获取检测凤梨成熟度的最优模型；S5、利用S1得到的测试数据集进行测试，通过ECA-RetinaNet模型对凤梨图像进行成熟度检测。

全文数据：

权利要求：

百度查询： 华南农业大学 一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法