技术领域
[0001] 本发明属于梨品质检测技术领域，尤其涉及一种梨果实成熟度智能检测方法。
相关背景技术
[0002] 库尔勒香梨香味浓郁，肉质细腻，味甜多汁，富含多种矿物质、维生素、氨基酸等微量营养成分，其营养保健价值被越来越多的人所认识，市场对库尔勒香梨品质的需求也在不断上升。但目前我国库尔勒香梨产业发展存在着产品质量不高、产业化水平较低等问题。
[0003] 进行库尔勒香梨的成熟度测定有助于克服上述问题，可以进行栽培指导及综合监控，降低果农的风险减少损失，目前国内外的水果成熟度检测仪器主要为：近红外光谱法，通过实验方法确定水果的特征波长，然后在该特征波长下进行吸收谱分析，可以确定其含糖量、可滴定酸含量等成熟度指标，但由于近红外光的穿透距离短，无法测试整体的成熟度，测量精度受到限制，并且不易大规模检测。
具体实施方式
[0033] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0034] 需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0035] 实施例一
[0036] 如图1所示，本实施例中提供了一种梨果实成熟度智能检测方法，包括以下步骤：
[0037] 采集梨果实图像数据，构建梨果实图像数据集，并将所述梨果实图像数据集进行划分，得到训练集和验证集；
[0038] 对所述训练集中的图像进行数据预处理，获得优化训练集；
[0039] 构建初始成熟度检测模型，通过所述优化训练集和验证集对初始成熟度检测模型进行训练和验证，得到成熟度检测模型；
[0040] 通过成熟度检测模型对梨果实进行检测，判断梨果实成熟度。
[0041] 进一步地，本实施例在采集梨果实图像数据时，通过无人机进行多角度拍摄，能够有效提升检测精度，通过无人机共拍摄采集510张脆梨原始图像，并通过图像格式转换算法将采集的图片统一调整为JPG格式。
[0042] 获取的图像由研究脆梨成熟度领域的专家使用LabelImg对数据集中所有梨果实样本的边界框损失和类别进行手工标注，标注时将所有样本分为三类，即“未成熟”样本、“初步成熟”样本与“可采摘成熟度”样本。生成的标注文件以Pascal VOC数据格式保存，并由梨种植基地农户进行双重检查以确保注释质量。得到标签文件后对数据集按照8：2的比例划分为训练集和验证集。
[0043] 并对训练集进行样本扩充，扩充时随机选取15％的图片改变图像明亮度：在[0.8:1.2]范围内随机选取15％的图片改变图像的明亮度并生成新的图像。图像随机旋转：将原图像随机旋转[‑30°:+30°]并生成新的图像。图像翻转：随机选取15％的图片按照水平方向翻转一次并生成新的图像。将上述三种新生成的图像添加到原训练集中组成新的训练集。
通过扩充训练集样本能够在采集适量的样本的情况下能够扩大训练集使训练效果更加准确。
[0044] 进一步地，对新的训练集中的图像进行数据预处理的方法包括：通过盲去卷积法对训练集中的图像进行清晰化处理，获得清晰化图像，再通过直方图均衡化方法对所述清晰化图像进行色彩校正。
[0045] 清晰化处理的方法包括：通过变分贝叶斯估计训练集中的图像获得初始模糊核；
[0046] 通过Richardson‑Lucy算法对所述初始模糊核进行迭代优化，得到模糊核；
[0047] 基于所述模糊核和非盲去卷积方法对训练集中的图像进行清晰化处理，获得清晰化图像。
[0048] 通过上述处理能够有效解决无人机拍摄图像时抖动造成的图像不清晰问题，并且在色彩校正后更有利于后续的训练，使得到的模型更精确。
[0049] 进一步地，所述初始成熟度检测模型为基于YOLOv8模型的网络模型，并在YOLOv8模型主干网络的C2f模块与Conv模块之间插入空间注意力机制。
[0050] 空间注意力机制的处理流程包括：
[0051] 对C2f模块的输出分别进行最大池化和均值池化操作，得到第一池化特征和第二池化特征；
[0052] 将第一池化特征和第二池化特征进行拼接后再进行卷积操作，得到融合池化特征；
[0053] 融合池化特征经过Sigmoid激活函数，得到第三池化特征，所述第三池化特征作为输出特征。
[0054] 进一步地，所述Sigmoid激活函数的表达式为：
[0055]
[0056] 式中，σ表示Sigmoid激活函数，z表示神经网络上一层节点的输出。
[0057] 进一步地，所述检测方法还包括基于LSTM网络对梨果实成熟度进行预测，预测方法包括：
[0058] 通过输入单元接收输入的历史的梨果实成长数据、自然环境特征指标和指定预测时间段，并将经过处理后的上述数据传递至LSTM网络的输入层；其中自然环境特征指标包括气候条件、地理位置和天气因素等。
[0059] 将LSTM网络的输入层接收的数据导入LSTM网络层，并进行训练建模，得到LSTM预测模型；
[0060] 通过现有数据对LSTM预测模型进行检验，计算累计误差，如果所述累计误差在允许范围内，则保留LSTM预测模型；
[0061] 通过所述LSTM预测模型对指定时间段进行梨果实成熟度预测，获得梨果实成熟度预测结果；
[0062] 通过输出单元输出指定时间的梨果实成熟度预测结果。
[0063] 通过现有数据对LSTM预测模型进行检验的具体方法为：
[0064] 设定系统的训练次数、最大误差及迭代权重调整比例，本例中设置训练次数为‑63000次，最大可允许误差为∑M为1e ,每次权重调整比例γ＝0.01。
[0065] 训练完成后，对梨果实成熟度结果进行分析，根据已有数据所述梨果实成熟度结果进行判断，若所得预测数据在误差范围内，则保留LSTM模型，反之进行迭代修改。本例中利用weight_preh_h函数对权重系数进行更新。
[0066] 预测结果误差评估利用累计误差公式进行计算，即：
[0067]
[0068] 本例中所设置训练次数为3000，当训练停止时， 即LSTM网络模型符合要求。
[0069] 进一步地，LSTM网络的记忆单元包括3个控制门，3个控制门分别为输入门、输出门和遗忘门，所述遗忘门控制LSTM网络层对信息的遗忘，所述输入门控制LSTM网络层的信息更新，所述输出门控制信息的输出。
[0070] 以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
