申请/专利权人：安徽农业大学

申请日：2024-01-19

公开（公告）日：2024-04-16

公开（公告）号：CN117893823A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06N3/0464;G06V10/774;G06T7/00;G06V10/25;G06V10/42;G06V10/80

优先权：

专利状态码：在审-公开

法律状态：2024.04.16#公开

摘要：本发明公开了一种基于SwinTransformer的苹果成熟度检测方法，包括以下步骤：步骤1、获取苹果图像进行人工成熟度标注得到数据集；将数据集划分为训练集、验证集和测试集后进行数据增强；步骤2、生成改进的YOLOv8模型，改进的YOLOv8模型中Backbone骨干网络为SwinTransformer注意力机制模块，Neck部分为渐进特征金字塔网络AFPN；步骤3、利用训练集对改进的YOLOv8模型进行训练得到成熟度最佳预测模型；步骤4、将待检测的苹果图像输入至成熟度最佳预测模型得到苹果图像中各个苹果的成熟度。本发明可实现在开放场景下提高识别苹果成熟度的准确率。

主权项：1.一种基于SwinTransformer的苹果成熟度检测方法，其特征在于，包括以下步骤：步骤1、获取多个苹果图像，基于苹果的成熟度特征对各个苹果图像进行人工成熟度标注，由此得到数据集；将所述数据集划分为训练集、验证集和测试集后，再分别对训练集、验证集和测试集进行数据增强；步骤2、生成改进的YOLOv8模型，所述改进的YOLOv8模型包括Backbone骨干网络、Neck部分、输出层，其中：改进的YOLOv8模型中Backbone骨干网络为SwinTransformer注意力机制模块，SwinTransformer注意力机制模块包括补丁Partition模块、LinearEmbeding层、偶数个不同大小并依次级联的卷积块，除第一个卷积块外其余每个卷积块分别配置有补丁Merging层，其余每个卷积块分别通过补丁Merging层进行下采样；SwinTransformer注意力机制模块中，由补丁Partition模块将输入的每个苹果图像进行分块后再将每个块在通道方向展平，然后由LinearEmbeding层对展平的通道数据做线性变换后送入第一个卷积块进行成熟度特征提取，第一个卷积块提取的成熟度特征图再依次经各个补丁Merging层下采样至对应的卷积块进行成熟度特征提取，由各个卷积块提取得到不同的成熟度特征图；改进的YOLOv8模型中Neck部分为渐进特征金字塔网络AFPN，由渐进特征金字塔网络AFPN通过在多个尺度和特征层上应用自注意力机制，将Backbone骨干网络从每个苹果图像提取得到的不同成熟度特征图进行深度融合；改进的YOLOv8模型中输出层输出渐进特征金字塔网络AFPN得到的深度融合后的特征，即为成熟度预测结果；步骤3、利用步骤1得到的数据增强后的训练集对所述改进的YOLOv8模型进行训练，每个训练周期通过验证集调整模型的超参数，并通过测试集评估各个训练周期得到的模型的泛化性，由此得到成熟度最佳预测模型；步骤4、将待检测的苹果图像输入至步骤3得到的成熟度最佳预测模型，由成熟度最佳预测模型检测得到苹果图像中各个苹果的成熟度。

全文数据：

权利要求：

百度查询： 安徽农业大学 一种基于Swin Transformer的苹果成熟度检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD