(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 202210787701.9 (22)申请日 2022.07.04 (71)申请人 华南农业大 学 地址 510630 广东省广州市天河区五山路 483号华南农业大 学 申请人 人工智能与数字经济广东省实验室 （广州） (72)发明人 吕石磊　李锐尧　李震　薛秀云　 洪添胜　姜晟　赵娅雯　 (74)专利代理 机构 深圳市创富知识产权代理有 限公司 4 4367 专利代理师 梁嘉朗 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/40(2022.01)G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于YOLO的柑橘青果实时识别方法 (57)摘要 本发明公开了一种基基于YOLO的柑橘青果 实时识别方法， 该方法包括： 采集柑橘果实图像 并进行预处理， 构建训练集； 基于YOLOv5模型， 增 加检测层， 得到改进后的检测 网络； 基于训练集 对改进后的检测网络进行训练， 结合改进的损失 函数， 得到目标检测模型； 获取待测数据并基于 目标检测模型进行产量监测。 通过使用本发明， 能够实现柑橘青果实时智能识别与产量监测。 本 发明作为一种基于YOLO的柑橘青果实时识别方 法， 可广泛应用于产量 监测领域。 权利要求书2页 说明书6页 附图2页 CN 115205676 A 2022.10.18 CN 115205676 A 1.基于YOLO的柑橘青果实时识别方法， 其特 征在于， 包括以下步骤： 采集柑橘果实图像并进行 预处理， 构建训练集； 基于YOLOv5模型， 增 加检测层， 得到改进后的检测网络； 基于训练集对改进后的检测网络进行训练， 结合改进的损失函数， 得到目标检测模型； 获取待测数据并基于目标检测模型进行产量 监测。 2.根据权利要求1所述的基于YOLO的柑橘青果实时识别方法， 其特征在于， 所述采集柑 橘果实图像并进行 预处理， 构建训练集 这一步骤， 其具体包括： 在自然场景 下对柑橘果园进行多角度拍摄， 采集图像， 得到原 始柑橘果实图像； 对原始柑橘果实图像进行 数据清洗和数据增强， 得到增强后图像； 对原始柑橘果实图像和 增强后图像进行 标注处理， 得到标注信息； 根据原始柑橘果实图像、 增强后图像和标注信息构建训练集。 3.根据权利要求2所述的基于YOLO的柑橘青果实时识别方法， 其特征在于， 所述数据增 强包括垂直镜像， 水平镜像、 位移、 模糊、 旋转270 °和椒盐噪声增强的增强方式。 4.根据权利要求1所述的基于YOLO的柑橘青果实时识别方法， 其特征在于， 所述基于 YOLOv5模型， 增 加检测层， 得到改进后的检测网络这 一步骤， 其具体包括： 在YOLOv5基础模型 上增加检测层， 得到轻量 化目标检测模型； 基于余弦退火算法， 改变量 化目标检测模型的学习率， 得到改进后的检测网络 。 5.根据权利要求4所述的基于YOLO的柑橘青果实时识别方法， 其特征在于， 所述改进后 的检测网络的损失函数公式表示如下： 上式中， IoU表示评价模型的预测框B与真实框Bgt之间的距离， B表示预测框， Bgt表示真 实框， C表示B与Bgt最小框的对角线的长度， ρ 表示B与Bgt之间的欧式距离， C表示B与Bgt最小 框的对角线的长度， α 和v均表示影响因子 。 6.根据权利要求2所述的基于YOLO的柑橘青果实时识别方法， 其特征在于， 所述基于训 练集对改进后的检测网络进行训练， 结合改进的损失函数， 得到目标检测模型这一步骤， 其 具体包括： 将训练集输入至改进后的检测网络； 基于输入层对训练集中的图像进行 数据增强和尺寸调整， 得到 输入图像； 基于骨干网络对输入图像进行切片和池化操作， 得到特 征向量； 基于颈部网络， 根据特 征向量构建特 征金字塔进行识别， 得到目标框； 基于输出检测层对目标框进行筛 选， 输出预测框； 基于损失函数， 根据预测框和标注信息调整参数， 得到目标检测模型。 7.根据权利要求1所述的基于YOLO的柑橘青果实时识别方法， 其特征在于， 所述获取待 测数据并基于目标检测模型进行产量 监测这一步骤， 其具体包括：权　利　要　求　书 1/2 页 2 CN 115205676 A 2获取待测视频 数据并在视频中设置虚拟区域； 根据虚拟区域对场景进行分割并对柑橘果实预测框的中心点进行检测， 得到检测结 果； 判断到检测结果预测框的中心点经 过虚拟区域， 对柑橘数量进行统计， 完成产量 监测。权　利　要　求　书 2/2 页 3 CN 115205676 A 3