(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 202210509434.9 (22)申请日 2022.05.10 (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 (72)发明人 吕石磊　李震　洪添胜　赵娅雯　 姜晟　薛秀云　 (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 侯腾腾 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06V 10/32(2022.01) G06V 10/80(2022.01) (54)发明名称 柑橘花期灰霉病识别方法及SoCFPGA监测系 统 (57)摘要 本发明公开了一种柑橘花期灰霉病识别方 法及SoCFPGA监测系统， 该方法包括： 获取柑橘花 灰霉病图像并进行图像标注， 构建得到训练集； 根据训练集对预构建的轻量化剪枝YOLOv4 ‑Tiny 模型进行训练， 得到识别模型； 所述轻量化剪枝 YOLOv4‑Tiny模型包括骨干网络、 特征金字塔和 YOLO检测头； 基于识别模型对实时图像进行柑橘 花灰霉病识别， 得到识别结果。 该系统基于 ZCUI04平台， 包括ARM处理子系统和FPGA可编程 逻辑部分。 通过使用本发明， 能够对柑橘花灰霉 病进行实时监测， 使柑橘果园合理的进行生产决 策调整， 提高生产效益。 本发明可广泛应用于目 标识别领域。 权利要求书1页 说明书5页 附图2页 CN 114898114 A 2022.08.12 CN 114898114 A 1.柑橘花期灰霉病识别方法， 其特 征在于， 包括以下步骤： 获取柑橘花灰霉病图像并进行图像标注， 构建得到训练集； 根据训练集对预构建的轻量 化剪枝YOLOv4 ‑Tiny模型进行训练， 得到识别模型； 所述轻量 化剪枝YOLOv4 ‑Tiny模型包括骨干网络、 特 征金字塔和YOLO检测头； 基于识别模型对实时图像进行柑橘花灰霉病识别， 得到识别结果。 2.根据权利要求1所述柑橘花期灰霉病识别方法， 其特征在于， 所述获取柑橘花灰霉病 图像并进行图像标注， 构建得到训练集 这一步骤， 其具体包括： 基于拍照设备对不同品种的柑橘花灰霉病进行拍照采集， 得到训练图像； 对训练图像中的柑橘花 花芯和柑橘花苞进行 人工标注， 得到带 标注的训练图像； 根据带标注的训练图像构建训练集。 3.根据权利要求2所述柑橘花期灰霉病识别方法， 其特征在于， 所述根据训练集对预构 建的轻量 化剪枝YOLOv4 ‑Tiny模型进行训练， 得到识别模型这 一步骤， 其具体包括： 对训练集的中的带 标注图像进行尺寸调整， 得到预处 理后的训练集； 搭建Tensorfl ow框架并设置迭代次数； 基于Tensorflow框架， 将预处理后的训练集输入至轻量化剪枝YOLOv4 ‑Tiny模型进行 训练， 调整训练权 重； 根据迭代次数跳出训练循环， 保存 模型参数， 得到识别模型。 4.根据权利要求3所述柑橘花期灰霉病识别方法， 其特征在于， 所述基于识别模型对实 时图像进行柑橘花灰霉病识别， 得到识别结果 这一步骤， 其具体包括： 基于摄像头采集实时图像并输入至识别模型； 基于骨干网络对实时图像进行 特征提取处 理， 得到初步特 征； 基于特征金字塔对初步特 征进行融合， 输出 特征结果； 基于YOLO检测头对特 征结果进行 预测， 得到识别结果。 5.根据权利要求4所述柑橘花期灰霉病识别方法， 其特征在于， 所述骨干网络采用 CPSdarknet53‑Tiny模型， 所述CP Sdarknet53‑Tiny模型的输入层为320 ×320×3。 6.根据权利要求5所述柑橘花期灰霉病识别方法， 其特征在于， 所述CPSdarknet53 ‑ Tiny模型包括卷积块和CSPBlock， 所述基于骨干网络对实时图像进行特征提取处理， 得到 初步特征这一步骤， 其具体包括： 基于卷积块对实时图像进行普通卷积、 激活函数和批量标准化处理， 得到第 一特征； 基 于CSPBlock将第一特 征进行划分， 得到初步特 征。 7.SoCFPGA监测系统， 其特征在于， 存储有如权利 要求6所述柑橘花期灰霉病识别方法： ZCUI04平台， 包括ARM处 理子系统和FPGA可编程逻辑部分； 所述ARM处 理子系统用于负责图像采集、 存 储、 读取、 缩放格式转换和处 理结果显示； 所述FPGA可编程逻辑部分用于对柑橘花灰霉病目标识别模型的处理过程进行神经网 络加速处 理； 所述ZCUI04平台还设有 USB、 Micro  SD、 DDR、 DisplayPor t和UART接口。权　利　要　求　书 1/1 页 2 CN 114898114 A 2柑橘花期灰霉病识别方 法及SoCFPGA监测系统 技术领域 [0001]本发明涉及目标识别领域， 尤其涉及一种柑橘花期灰霉病识别方法及SoCFPGA监 测系统。 背景技术 [0002]在当前的相关研究工作中， 研究人员大多关注于如何提升不同种类或不同花期的 果园作物花朵目标识别效果。 但是， 果园作业环境复杂多变。 例如， 柑橘花期不仅存在着不 同比例的花苞和花朵， 还极易因低 温高湿的气候影响而感染灰霉病， 需要及时防治以免对 果实品质和果园产量造成负面影响。 因此， 研究如何实现自然环境下对灰霉病的识别可以 及时的对柑橘病害加以预防， 提升柑橘品质。 由于灰霉病花朵生长较为密集， 目标特征的提 取计算量较大， 嵌入式边缘设备的数据通信速率受限， 难以保证数据处理的实时性问题， 因 此， 目前还没有一种对柑橘花灰霉病进行实时识别的方法。 发明内容 [0003]为了解决上述技术问题， 本发明的目的是提供柑橘花期灰霉病识别方法及 SoCFPGA监测系统， 能够 对柑橘花灰霉病进 行实时监测， 使柑橘果园合理的进 行生产决策调 整， 提高生产效益。 [0004]本发明所采用的第一 技术方案是： 柑橘花期灰霉病识别方法， 包括以下步骤： [0005]获取柑橘花灰霉病图像并进行图像标注， 构建得到训练集； [0006]根据训练集对预构建的轻量 化剪枝YOLOv4 ‑Tiny模型进行训练， 得到识别模型； [0007]所述轻量 化剪枝YOLOv4 ‑Tiny模型包括骨干网络、 特 征金字塔和YOLO检测头； [0008]基于识别模型对实时图像进行柑橘花灰霉病识别， 得到识别结果。 [0009]进一步， 所述获取柑橘花灰霉病图像并进行图像标注， 构建得到训练集这一步骤， 其具体包括： [0010]基于拍照设备对不同品种的柑橘花灰霉病进行拍照采集， 得到训练图像； [0011]对训练图像中的柑橘花 花芯和柑橘花苞进行 人工标注， 得到带 标注的训练图像； [0012]根据带标注的训练图像构建训练集。 [0013]进一步， 所述根据训练集对预构建的轻量化剪枝YOLOv4 ‑Tiny模型进行训练， 得到 识别模型这 一步骤， 其具体包括： [0014]对训练集的中的带 标注图像进行尺寸调整， 得到预处 理后的训练集； [0015]搭建Tensorfl ow框架并设置迭代次数； [0016]基于Tensorflow框架， 将预处理后的训练集输入至轻量化剪枝YOLOv4 ‑Tiny模型 进行训练， 调整训练权 重； [0017]根据迭代次数跳出训练循环， 保存 模型参数， 得到识别模型。 [0018]进一步， 所述基于识别模型对实时图像进行柑橘花灰霉病识别， 得到识别结果这 一步骤， 其具体包括：说　明　书 1/5 页 3 CN 114898114 A 3