1.一种基于深度学习和嵌入式的玉米果穗损伤检测方法,其特征在于,包括:
实时获取收获机工作时,集穗箱内的影像数据,并通过预训练的深度学习模型,对所述影像数据进行处理,得到损伤分类结果;
对所述损伤分类结果中的每一张影像数据进行预处理,并对预处理后的影像数据进行损伤部分的占比计算,并对占比计算结果进行保存处理;
预训练的深度学习模型通过训练集以及验证集完成训练构建,其中训练集与验证集均来自样本集,在进行样本集的构建过程中,判断样本集中的数量是否达到预设要求,若达到,则直接使用样本集中的数据进行后续模型的训练,若没有达到要求,则对样本集进行扩充处理;
扩充处理的具体过程为:
选择扩充方式,即,在随机翻转、随机裁剪、随机颜色变换、平移、旋转、缩放方式中选择样本集的扩充方式;
选择扩充方式的过程具体为:
对样本集中的每一张图像数据分别进行随机翻转、随机裁剪、随机颜色变换、平移、旋转、缩放的随机组合处理,并记录每次随机组合的组合成分以及经组合处理后的处理结果,确定样本集中的任一张图像数据与经过组合处理后对应的处理结果中的图像数据之间的特征相似度,并在该组合处理下,对所有特征相似度计算算数平均数,得到该随机组合处理对应的分值,并确认特征相似度的分布情况确定每种组合处理下的组合成分、分值以及分布情况后,根据预设相似度范围,确定与该预设相似度范围重合度最高的n种组合处理,进一步判断上述n种组合处理中,与预设相似度范围的中心值最接近的分值,将该组合处理作为扩充方式进行后续的扩充处理,其中中心值指的是在预设相似度范围中的中位数;
对于训练集,切割时的步长设置为32,测试集不需要样本扩充,所以将步长设置为155,使用cv2.imread读取图片,以设定的步长在拍摄的原图片上进行滑动,提取图像和标签的块,利用math.ceil()函数设置处理过的图像宽度和高度,并生成新的文件名,使用cv2.imwrite保存图片,将图片均保存成.png格式。
2.根据权利要求1所述的一种基于深度学习和嵌入式的玉米果穗损伤检测方法,其特征在于,所述预处理包括:对影像数据进行标记处理,生成标记结果,基于所述标记结果,生成掩码图像,并对所述掩码图像进行可视化标记处理以及灰度处理。
3.根据权利要求1所述的一种基于深度学习和嵌入式的玉米果穗损伤检测方法,其特征在于,对预处理后的影像数据进行损伤部分的占比计算的过程具体为:确定背景部分的面积、完好玉米果穗部分的面积以及损伤玉米果穗部分的面积,确定所述损伤玉米果穗部分的面积在除去背景部分的面积之外的面积中的占比。
4.根据权利要求1所述的一种基于深度学习和嵌入式的玉米果穗损伤检测方法,其特征在于,通过预训练的深度学习模型,对所述影像数据进行处理,得到损伤分类结果的过程具体为:对所述影像数据进行图像分割处理以及图像增强处理,得到优化后的影像数据,通过所述预训练的深度学习模型对所述优化后的影像数据进行像素级分类,得到损伤分类结果,所述损伤分类结果包括:无损伤的果穗区域、损伤的果穗区域、玉米苞叶区域以及背景区域中的至少一种。
5.根据权利要求1所述的一种基于深度学习和嵌入式的玉米果穗损伤检测方法,其特征在于,所述预训练的深度学习模型通过调用segmentation_models_pytorch中的UNet模型,并将efficiennet-b3作为编码器,结合深度可分类卷积层构建而成。
6.根据权利要求1所述的一种基于深度学习和嵌入式的玉米果穗损伤检测方法,其特征在于,还包括:基于所述占比计算结果,结合人工标签,对所述影像数据进行评价指标计算,所述评价指标包括:平均交并比、整体分类精度、平均分类精度、每类分类精度、虚警率以及漏警率中的至少一种。
7.一种基于深度学习和嵌入式的玉米果穗损伤检测系统,采用如权利要求1所述的一种基于深度学习和嵌入式的玉米果穗损伤检测方法,其特征在于,该系统包括:获取模块用于:实时获取收获机工作时,集穗箱内的影像数据,并通过预训练的深度学习模型,对所述影像数据进行处理,得到损伤分类结果;
检测模块用于:对所述损伤分类结果中的每一张影像数据进行预处理,并对预处理后的影像数据进行损伤部分的占比计算,并对占比计算结果进行保存处理。
8.一种电子设备,其特征在于,所述电子设备包括处理器,所述处理器与存储器耦合,所述存储器中存储有至少一条计算机程序,所述至少一条计算机程序由所述处理器加载并执行,以使所述电子设备实现如权利要求1至6任一项权利要求所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条计算机程序,所述至少一条计算机程序由处理器加载并执行,以使计算机实现如权利要求1至6任一项权利要求所述的方法。
10.一种收获机,其特征在于,包含如权利要求7所述的一种基于深度学习和嵌入式的玉米果穗损伤检测系统。