檢視 YOLOv5结合暗通道增强的草莓成熟度识别的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=https://p9.itc.cn/q_70/images03/20211025/56a8a67d32b24c7d86c6cc0a3ea7479e.png width="300"></center>
<small>[https://www.sohu.com/a/497007072_121124366 来自 搜狐网 的图片]</small>
|}

'''YOLOv5结合暗通道增强的草莓成熟度识别'''为了准确的实现使用采摘[[机器人]]对草莓果实的采摘，需要草莓果实成熟度的准确判定算法，以便提高草莓果实采摘精度，减少误采摘或是漏采摘。本研究以“丰香”草莓为研究对象，建立成熟、接近成熟、未成熟、坏果四种成熟度标准，并采用YOLOV5结合暗通道增强算法，草莓成熟度识别正确率可以达到90％以上，同时该方法在部分遮挡、多果等复杂[[环境]]下具有良好的鲁棒性。

==案例简介==

为了准确的实现使用采摘机器人<ref>[https://www.sohu.com/a/207378768_208207 史上最全的机器人分类，看一遍认识所有] ，搜狐，2017-11-29</ref>对[[草莓]]果实的采摘，需要草莓果实成熟度的准确判定算法，以便提高草莓果实采摘精度，减少误采摘或是漏采摘。本研究以“丰香”草莓为研究对象，建立成熟、接近成熟、未成熟、坏果四种成熟度标准，并采用YOLOV5结合暗通道增强算法，草莓成熟度识别正确率可以达到90％以上，同时该方法在部分遮挡、多果等复杂环境下具有良好的鲁棒性。

==技术要点==

草莓（Ｓｔｒａｗｂｅｒｒｙ）是蔷薇科草莓属[[植物]]的泛称。草莓果实呈圆锥形，鲜红色，果肉浅红色，硬度中等，果实糖度高而稳定；果肉柔软，没有果皮保护，易变色变质，成熟后必须及时采摘、即时销售。在中国农业现代化的趋势下，对比[[传统]]的人工感官识别并采摘，精准高效的自动化采摘设备成为关键。在“丰香”草莓<ref>[https://www.sohu.com/a/542468815_799260 关于草莓的历史问题，全都在这里]，搜狐，2022-04-29 </ref>的大规模生产中，为了准确的实现使用自动采摘设备对草莓果实的采摘，需要草莓果实成熟度的准确判定算法，以便提高草莓果实采摘精度，减少误采摘或是漏采摘。

===1. 关键技术===

本项目包含的关键技术有：YOLOv5目标检测模型、图像预处理[[技术]]、暗通道增强的低照度增强算法。

YOLOv5目标检测模型

YOLO系列是基于深度学习的回归方法，是一种目标检测模型，本研究采用的是YOLOv5算法。YOLOv5是一种单阶段目标检测算法，通常划分为4个通用的模块，具体包括：输入端、基准[[网络]]、Neck网络与Head输出端。

为进一步增加图像数据量、丰富数据多样性、提高模型泛化能力，需对图像进行数据扩增的预处理，即对图像原始数据做一些变换但不实际增加原始数据。

本项目在YOLOv5内设的Mosaic数据增强基础上，进一步实现图像翻转、图像扭曲、添加噪声、图像模糊、图像区域随机擦除、风格转换等[[数据]]扩增处理。

1）图像翻转：采用cifarnet处理的随机左右翻转。

2）图像旋转：采用SSD处理的随机旋转。

3）图像扭曲：对图像进行仿射变换或透视变换。仿射变换可以将矩形转换成[[平行四边形]]，透视变换可以将矩阵转变成梯形。集中对像素点实现三角函数变换，对图像做扭曲变化。

1）色彩抖动： 抖动是通过错位的位移对图像产生的一种特殊效果。色彩抖动通过对构成图像的色相产生位移，造成临近点状差异的色彩交叉效果。

2）噪声扰动：本[[项目]]采用Gaussion Noise 高斯模糊。当神经网络试图学习可能无用的高频特征（大量出现的模式）时，通常会发生过度拟合。具有零均值的高斯噪声基本上在所有频率中具有数据点，从而有效地扭曲高频特征。添加适量的噪音，不仅可以丰富数据多样性，也可以增强学习能力。

3）图像区域随机擦除：随机选择图像的矩形区域，并使用随机值擦除其像素。生成具有遮挡级别的训练图像，会降低过拟合风险并使得模型对遮挡具有一定的鲁棒性。

4）风格转换：将风格迁移的[[训练]]和应用分离，可以快速应用。先训练好几种不同风格，将风格特征固定下来了。对图像进行先卷积再转置卷积（上采样），然后损失的处理；再对Transform Net的变量梯度下降，最后输出转换图像。

==创新点==

1）创新点1：增加“坏果”[[标准]]，提高草莓果实采摘精度，减少了误采摘或漏采摘的可能性。

2）创新点2：结合图像暗通道去雾增强算法，解决低照度条件下的图像处理与目标检测，可实现全天时可视化检测。

经过翻阅文献，现已有部分对草莓成熟度快速识别的研究：ＪａｓｐｅｒＧ Ｔａｌｌａｄａ等［1］提取了三个特征波 长：685，865和985 nm建立草莓坚硬度的检测模型，准确度达到了78.6％；赵玲等采用HIS色彩空间模型，提取了草莓图像H分量的色度直方图，并结合BP神经网络建立基于颜色的草莓成熟度检测模型，准确度达到了90％以上。这些检测模型存在精确度低或者检测[[对象]]不全面等不足。

“YOLOV5结合暗通道增强的草莓成熟度识别算法”以YOLOV5算法为基础，考虑全天时光线对草莓图像色彩模型的影响及存在坏果的情况，实现更全面的可视化检测。草莓成熟度的识别主要依据果实表面的着色情况分为三类:未成熟，果肉着色为青色和乳白色，其中90%以上为青色；即将成熟，果肉着色为乳白色和红色，其中80%以上为乳白色；成熟，果肉着色80%以上为艳红色。在着色基础上，依据果实大小与饱满程度，又得以区分：坏果，为着色暗红或出现黑色、果实较小、形状干瘪。

3）创新点3：该项目采用多种数据扩增方法以增加图像数据量。一方面可以丰富数据多样性而不实际增加原始数据，极大地提高[[网络]]的训练速度，在采集图像较少的情况下就可以快速建立数据集，利于果实的快速准确识别。另一方面可以提高模型泛化能力，使模型不仅仅适用于草莓成熟度识别，也可以完美使用其他农产品的检测。

==应用市场==

本项目是针对“丰香”草莓实现自动化采摘[[创新]]设计的算法技术。目前已有的各种检测模型存在精确度低或者检测对象不全面等不足。而本项目创新设计的“YOLOV5结合暗通道增强的草莓成熟度识别算法”以YOLOV5算法为基础，考虑全天时光线对草莓图像色彩模型的影响及存在坏果的情况，实现更全面的可视化检测。此外，该算法结合了暗通道增强，不仅能解决低照度条件下带来的图像色彩模型影响，还能极大地降低雾霾、大雾等恶劣天气带来的图像识别。经实验模拟，该算法在草莓成熟度的全天时检测中能达到很高的准确率，所以能很好地运用到草莓的多气候的全天时自动化采摘技术当中。

此外，由于该算法技术采用了多种数据扩增方法，能快速丰富数据多样性、极大地提高网络的训练速度，最终整体上大大提高了该目标检测模型的泛化能力。使模型不仅适用于草莓这一单一品种，也可以应用于其他众多[[农产品]]的成熟度检测或质量检测，如：冬枣成熟度检测、西红柿成熟度检测等。

==参考文献==
[[Category:500 社會科學類]]