(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 202210405888.1 (22)申请日 2022.04.18 (71)申请人 中南民族大 学 地址 430000 湖北省武汉市洪山区民族大 道708号、 823号 (72)发明人 尹帆　李嘉晖　李子茂　帖军　 郑禄　田莎莎　杜小坤　吴钱宝　 (74)专利代理 机构 深圳市世纪恒程知识产权代 理事务所 4 4287 专利代理师 高川 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 密集柑橘数量检测方法、 设备、 存储介质及 装置 (57)摘要 本发明公开了一种密集柑橘数量检测方法、 设备、 存储介质及装置， 本发明通过基于预设DS ‑ YOLO网络模型中可形变卷积网络对图像预处理 后的柑橘图像进行特征提取， 并根据预设SimAM 注意力机制对 特征图进行特征融合， 根据不同尺 度的目标特征图对应的候选框调整参数确定目 标预测框的坐标和尺寸， 并通过目标预测框对进 行柑橘数量检测。 本发明基于预设DS ‑YOLO网络 模型中可形变卷积网络和预设SimA M注意力机制 对待识别柑橘图像中的柑橘进行数量检测， 相较 于现有技术对密集柑橘的检测效果并不理想， 导 致检测精度低， 本发明提升了模型的检测精度， 实现了可靠性高的密集柑橘数量检测， 以弥补现 有技术的不足。 权利要求书2页 说明书13页 附图5页 CN 114821102 A 2022.07.29 CN 114821102 A 1.一种密集柑橘数量检测方法， 其特征在于， 所述密集柑橘数量检测方法包括以下步 骤： 对待识别柑橘图像进行图像预处 理， 获得处 理后的目标柑橘图像； 基于预设DS ‑YOLO网络模型中可形变卷积网络对所述目标柑橘图像进行特征提取， 获 得包含密集柑橘形状特 征和位置特 征的特征图； 根据预设SimAM注意力机制对所述特 征图进行 特征融合， 获得不同尺度的目标 特征图； 根据所述目标 特征图对应的候选 框调整参数确定目标 预测框的坐标和尺寸； 根据所述目标预测框的坐标和尺寸对所述待识别柑橘图像中的柑橘进行位置标记， 根 据标记结果确定所述待识别柑橘图像中的柑橘数量。 2.如权利要求1所述的密集柑橘数量检测方法， 其特征在于， 所述基于预设DS ‑YOLO网 络模型中可形变卷积网络对所述目标柑橘图像进 行特征提取， 获得包含密集柑橘形状特征 和位置特 征的特征图的步骤， 包括： 基于预设DS ‑YOLO网络模型中可形变卷积网络对所述目标柑橘图像进行采样， 获得可 形变采样点； 根据所述目标柑橘图像对所述可形变采样点的权重系数进行自适应调整， 获得调 整后 的可形变采样点； 根据所述调 整后的可形变采样点对所述目标柑橘图像进行特征提取， 获得包含密集柑 橘形状特 征和位置特 征的特征图。 3.如权利要求2所述的密集柑橘数量检测方法， 其特征在于， 所述根据预设SimAM注意 力机制对所述特 征图进行 特征融合， 获得不同尺度的目标 特征图的步骤， 包括： 根据预设SimAM注意力机制和预设能量函数计算所述特征图对应的神经元权重， 根据 计算结果确定目标神经 元； 根据所述目标神经 元对所述特 征图进行 特征融合， 获得不同尺度的目标 特征图。 4.如权利要求3所述的密集柑橘数量检测方法， 其特征在于， 所述根据 所述目标神经元 对所述特 征图进行 特征融合， 获得不同尺度的目标 特征图的步骤， 包括： 根据所述目标神经 元对所述特 征图进行 特征融合， 获得 特征融合后的第一特 征图； 根据预设K ‑Mean聚类算法对所述第一特征图进行Anchor坐标匹配， 获得目标检测尺 度； 根据所述目标检测尺度对所述第 一特征图进行多尺度检测， 获得不同尺度的目标特征 图。 5.如权利要求4所述的密集柑橘数量检测方法， 其特征在于， 所述基于预设DS ‑YOLO网 络模型对所述目标柑橘图像进 行特征提取， 获得包含密集柑橘形状特征和位置特征的特征 图的步骤之前， 还 包括： 将采集的密集柑橘图像输入至原 始YOLOv4模型中， 获得 预设尺度的特 征图； 根据预设S PP网络对预设尺度的特 征图进行堆叠、 卷积处 理， 获得处 理后的特 征图； 基于路径聚合网络对所述处理后的特征图进行特征融合处理， 获得特征融合后的第 二 特征图； 基于所述第 二特征图对应的检测尺度和所述检测尺度对应的候选框调整参数构建DS ‑ YOLO网络模型。权　利　要　求　书 1/2 页 2 CN 114821102 A 26.如权利要求5 中任一项所述的密集柑橘数量检测方法， 其特征在于， 所述基于所述第 二特征图对应的检测尺度和所述检测尺度对应的候选框调整参数构建DS ‑YOLO网络模型的 步骤之后， 还 包括： 将所述DS ‑YOLO网络模型中残差模块残差单元的卷积层替换为改进后的可形变卷积 层， 并在所述DS ‑YOLO网络模型的路径聚合网络中添加所述预设SimAM注意力机制， 生成新 的DS‑YOLO网络模型； 将所述新的DS‑YOLO网络模型作为所述预设D S‑YOLO网络模型。 7.如权利要求6所述的密集柑橘数量检测方法， 其特征在于， 所述将所述新的DS ‑YOLO 网络模型作为所述预设D S‑YOLO网络模型的步骤之后， 还 包括： 通过未进行图像预处理的密集柑橘测试集对所述预设DS ‑YOLO网络模型进行测试， 获 得测试结果； 根据预设平均检测精度对所述测试结果进行质量评估， 根据质量评估结果确定所述测 试结果的精确率。 8.一种密集柑橘数量检测设备， 其特征在于， 所述密集柑橘数量检测设备包括： 存储 器、 处理器及存储在所述存储器上并可在所述处理器上运行 的密集柑橘数量检测程序， 所 述密集柑橘数量检测 程序被所述处理器执行时实现如权利要求1至7中任一项所述的密集 柑橘数量检测方法的步骤。 9.一种存储介质， 其特征在于， 所述存储介质上存储有密集柑橘数量检测程序， 所述密 集柑橘数量检测程序被处理器执行时实现如权利要求1至7中任一项所述的密集柑橘数量 检测方法的步骤。 10.一种密集柑橘数量检测装置， 其特 征在于， 所述密集柑橘数量检测装置包括： 图像预处理模块， 用于对待识别柑橘图像进行图像预处理， 获得处理后的目标柑橘图 像； 特征提取模块， 用于基于预设DS ‑YOLO网络模型中可形变卷积网络对所述目标柑橘图 像进行特征提取， 获得包 含密集柑橘形状特 征和位置特 征的特征图； 特征融合模块， 用于根据预设SimAM注意力机制对所述特征图进行特征融合， 获得不同 尺度的目标 特征图； 柑橘检测模块， 用于根据所述目标特征图对应的候选框调整参数确定目标预测框的坐 标和尺寸； 所述柑橘检测模块， 还用于根据所述目标预测框的坐标和尺寸对所述待识别柑橘图像 中的柑橘进行位置标记， 根据标记结果确定所述待识别柑橘图像中的柑橘数量。权　利　要　求　书 2/2 页 3 CN 114821102 A 3