(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210355472.3 (22)申请日 2022.04.06 (71)申请人 中科合肥智慧农业协同创新研究院 地址 230031 安徽省合肥市长 丰县双凤开 发区金江路32 号合肥智慧农业协同创 新研究院 (72)发明人 章军　陈建峰　陈鹏　夏懿　 王儒敬　胡涛　黄琼娇　路宝榕　 许浪　王刘向　牛子寒　 (74)专利代理 机构 合肥国和专利代理事务所 (普通合伙) 34131 专利代理师 张祥骞 (51)Int.Cl. G06V 20/68(2022.01) G06V 10/774(2022.01)G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于YOLO V3的草莓成熟度检测方法、 装置 (57)摘要 本发明提供一种基于yolo  v3的草莓成熟度 检测方法、 装置， 通过采集草莓图像， 并对所述草 莓图像进行预处理， 得到预处理图像； 根据yolo   v3的草莓成熟度识别模型对所述成熟度进行检 测， 并输出成熟度检测结果； 利用了数据增强的 方式， 对于原始采集到的数据集进行图像数据增 强， 在训练的过程中， 能够实时地监测loss曲线 的变化， 在恰当的时机得到最适合检测的模型， 利用k‑means算法对于得到的标注信息进行处 理， 从而能够得到比较合适的契合本数据集的 anchor， 从而高效、 精确的对于草莓进行成熟度 检测。 权利要求书1页 说明书6页 附图2页 CN 114724140 A 2022.07.08 CN 114724140 A 1.一种基于yo lo v3的草莓成熟度检测方法， 其特 征在于， 包括： 采集草莓图像， 并对所述 草莓图像进行 预处理， 得到预处 理图像； 根据yolo v3的草莓成熟度识别模型对所述成熟度进行检测， 并输出成熟度检测结果。 2.根据权利要求1所述的基于yolo  v3的草莓成熟度检测方法， 其特征在于， 所述yolo   v3的草莓成熟度识别模型训练过程包括： 人工采集数据， 人工采集数据 是训练模型的基础， 通过定点相机的拍摄， 采集实际农业 生产场景中的实际草莓图片； 数据集标注， 线缆数据集标注的过程， 采用的标注工具为 labelimg； 数据处理， 得到的数据以及相应的标注信 息后， 必须对数据进行处理， 其中包括对数据 进行增强， 对所采集到的图片进行随机旋转、 随机裁剪、 色彩抖动、 高斯噪声、 水平翻转、 竖 直翻转操作； anchor设置， 利用k ‑means算法对得到的标注信息进行处理， 进而得到适合线缆数据集 的anchor； 网络结构设计， 采用yo lo v3的网络模型； 训练过程， 利用给定的yo lo v3的代码和得到的数据集进行训练。 3.根据权利要求2所述的基于yolo  v3的草莓成熟度检测方法， 其特征在于， 所述训练 过程还包括： 实时监测l oss曲线分析， 若所述 准确率低于预定阈值， 则触发修改数据集、 网络参数。 4.一种基于yo lo v3的草莓成熟度检测装置， 其特 征在于， 包括： 采集模块， 采集 草莓图像， 并对所述 草莓图像进行 预处理， 得到预处 理图像； 检测模块， 根据yolo  v3的草莓成熟度识别 模型对所述成熟度进行检测， 并输出成熟度 检测结果。 5.根据权利要求4所述的基于yolo  v3的草莓成熟度检测装置， 其特征在于， 所述yolo   v3的草莓成熟度识别模型训练过程包括： 人工采集数据， 人工采集数据 是训练模型的基础， 通过定点相机的拍摄， 采集实际农业 生产场景中的实际草莓图片； 数据集标注， 线缆数据集标注的过程， 采用的标注工具为 labelimg； 数据处理， 得到的数据以及相应的标注信 息后， 必须对数据进行处理， 其中包括对数据 进行增强， 对所采集到的图片进行随机旋转、 随机裁剪、 色彩抖动、 高斯噪声、 水平翻转、 竖 直翻转操作； anchor设置， 利用k ‑means算法对得到的标注信息进行处理， 进而得到适合线缆数据集 的anchor； 网络结构设计， 采用yo lo v3的网络模型； 训练过程， 利用给定的yo lo v3的代码和得到的数据集进行训练。 6.根据权利要求5所述的基于yolo  v3的草莓成熟度检测装置， 其特征在于， 所述训练 过程还包括： 实时监测l oss曲线分析， 若所述 准确率低于预定阈值， 则触发修改数据集、 网络参数。权　利　要　求　书 1/1 页 2 CN 114724140 A 2一种基于 YOLO V3的草莓成熟度检测方 法、 装置 技术领域 [0001]本发明涉及机器视觉技术领域， 具体涉及一种基于yolo  v3的草莓成熟度检测方 法、 装置。 背景技术 [0002]目标检测对于人类来说， 是一项非常简单的任务， 就连几个月大的婴儿都能识别 出一些常见目标。 然而， 直到十年之前， 让机器学会目标检测仍是一个艰巨的任务。 目标检 测需要识别并定位视野中某个目标(如： 汽车、 行人、 路标等)的所有实例， 其与其他的类似 任务， 如分类、 分割 、 运动估计、 场景理解 等， 一同构成了计算机 视觉领域的基础问题。 [0003]早期的目标检测模型是通过集成一系列手工设计的特征提取器(如： Viola ‑ Jones、 HOG等)来构造的， 这些模型的特点是： 速度慢、 精度低、 跨域性能差。 重新崛起的CNNs 和深度学习图像分类改变了视觉领域的格局。 在2012ImageNet大规模视觉识别挑战赛 (ILSVRC)上出现的AlexNet， 启发了后续关于CNNs的一些列研究。 如今， 目标检测的应用范 围已经涵盖了从自动 驾驶、 身份检测到安全及医疗等领域。 近年来， 随着新的工具及技术的 发展， 目标检测的应用呈指数级增长 。 [0004]目标检测是目标分类 的自然扩展， 后者的目的仅仅是对图像中的目标进行识别。 目标检测的目的是检测出图像中所有实例的类别(预定义好的)， 并用一个轴对齐的矩形框 大致给出实例的位置。 检测器应 当能够识别出所有实例， 并画出包围实例的边框(bounding   box)。 它通常被视为一个监督学习问题。 现代的目标检测模型可以使用大量标记图像进行 训练， 并在各种标准基准上进行评估。 [0005]一阶段检测器中具有代表性 的为yolo。 两 阶段检测器将检测视为一个分类问题： 需要一个模块枚举一些由网络分类为前景或背景的候选框。 然而， YOLO将检测问题进行了 重构， 视其为一个回归问题， 直接预测图像像素作为目标及其边界框属性。 在YOLO中， 输入 图像被划分为S*S的网格， 目标中心 点所在的cell负责该目标的检测。 一个网格cell预测多 个边框， 每 个预测数组包括五个元 素： 边框的中心点(x,y)、 边框的宽高w/ h、 置信度得分。 [0006]YOLO的灵感来自于用于图像分类的GoogLeNet模型， 该模型使用了更小的卷积网 络的级联模块。 其在ImageNet数据上进 行预训练， 直到模 型达到较高的精度， 然后通过添加 随机初始化卷积和全连通层 对模型进行修正。 训练 时， 每个网络的cell只预测一个类， 印着 这样可以更好的收敛， 不过在推理时， 可以预测多个类。 采用了多任务损失， 即所有预测部 件的组合损失， 对 模型进行优化。 非最大抑制(NMS)删除特定类的多重检测。 [0007]YOLO在精度和速度上都远远超过了它的当代单级实时模型。 然而， 它也有明显的 缺点。 对小的或聚类对 象的定位精度和每个单元 的对象数量限制是其主要缺点。 这些问题 在YOLO的后续版本中得到 了修复。 [0008]在过去的十年中， 目标检测取得了巨大的进展。 该算法在一些垂直领域已经达到 了人类水平的精度， 但仍有许多令人兴奋的挑战需要解决。 [0009]尽管在过去的十年中， 目标检测已经取得了很大的进步， 但最好的检测器在性能说　明　书 1/6 页 3 CN 114724140 A 3