本發(fā)明屬于茶芽密度計數(shù)、目標檢測、系統(tǒng)開發(fā)，具體涉及一種基于深度學習的茶芽密度檢測方法。

背景技術：

1、茶產(chǎn)業(yè)的發(fā)展離不開茶樹育種，但在茶樹育種工作中，作為關鍵指標的芽密度，目前還是依靠人工手動計數(shù)。人工計數(shù)茶芽不僅耗時耗力，成本高，效率還不夠高。

2、隨著深度學習的發(fā)展，基于深度學習的目標檢測在農(nóng)業(yè)上的應用也越來越廣泛。通過對機器進行訓練，使機器代替人工，對農(nóng)作物進行識別并計數(shù)，以大大的減少人力勞動與提高效率。

3、針對科研人員在進行茶芽密度統(tǒng)計時只能依靠人工手動計數(shù)，費時費力還成本高的情況，本發(fā)明的目的在于提供一種基于深度學習的茶芽密度檢測的方法及系統(tǒng)，以實現(xiàn)機器代替人工檢測茶芽密度，達到節(jié)省人力、提升效率的目的。

技術實現(xiàn)思路

1、為了彌補現(xiàn)有技術的不足，本發(fā)明目的在于提供一種基于深度學習的茶芽密度檢測方法，實現(xiàn)對茶芽密度的精準檢測。

2、本發(fā)明所解決的技術問題可通過以下技術方案實現(xiàn)：

3、所述的一種基于深度學習的茶芽密度檢測方法，包括以下步驟：

4、s1.?對自然條件下已修剪好的茶園進行茶芽密度圖像采集；

5、s2.?對采集到的圖像進行預處理，并按照8:1:1的比例將圖像分為訓練集、驗證集、測試集；

6、s3.?建立基于深度學習的茶芽密度識別模型，并調(diào)整相應參數(shù)；

7、s4.?對模型的網(wǎng)絡結構進行改進，以提高模型識別效率；

8、s5.?設計茶芽密度檢測可視化系統(tǒng)界面，用以進行操作；

9、s6.?開發(fā)茶芽密度檢測系統(tǒng)，使操作人員僅需要點擊簡單按鈕，即可得到茶芽密度檢測結果。

10、進一步地，所述步驟s1中，模擬科研人員實際數(shù)茶芽密度的狀態(tài)，利用手機對自然條件下已修剪好的茶園進行茶芽密度圖像采集，拍照比例為1:1，拍攝角度為正俯拍，拍攝范圍為30×30cm密度框內(nèi)萌芽期、一芽一葉期茶芽，采集圖像的茶樹為已修剪平整的平面茶樹。

11、進一步地，所述步驟s2中預處理流程為：首先，將采集到的圖像使用labelimg對圖片中的茶芽進行標記，生成xml文件；然后，將圖片進行180°旋轉(zhuǎn)以及翻轉(zhuǎn)，使數(shù)據(jù)擴增；最后，按照8:1:1的比例將所有圖片分為訓練集、驗證集、檢測集。

12、進一步地，所述步驟s3中，使用yolov8模型對茶芽密度圖片進行訓練、驗證；通過對訓練輪次epochs、批大小batch_size和圖像大小image_size進行調(diào)整，使其達到配置內(nèi)最優(yōu)值。

13、進一步地，所述步驟s4中，在yolov8模型的網(wǎng)絡結構的金字塔空間池化（sppf）層后引入psa注意力機制，然后使用相同的數(shù)據(jù)集進行訓練與驗證，得到精確率（p）、召回率（r）、平均精度值均值（map)更高的訓練權重。

14、進一步地，所述步驟s5中，使用pyqt6設計茶芽密度檢測ui頁面，該頁面包括選擇圖片按鍵框、待檢測圖片與檢測后的圖片顯示區(qū)域、檢測結果顯示區(qū)域。

15、進一步地，所述步驟s6中，使用pyuic將設計好的ui頁面轉(zhuǎn)為python代碼，連接信號與槽，并調(diào)用訓練好的權重，生成茶芽密度檢測系統(tǒng)，操作人員只需在頁面點擊上傳按鈕即可得到檢測結果。

16、進一步地，所述茶芽密度檢測系統(tǒng)包含選擇圖片模塊、圖片顯示模塊、檢測結果顯示模塊，

17、所述選擇圖片模塊的操作流程為：點擊“選擇圖片”，進行圖片選擇，最后確認圖片；

18、所述圖片顯示模塊包括兩部分，一部分是待檢測圖片，另一部分是芽頭被標出來的檢測后圖片；

19、所述檢測結果顯示模塊用以在圖片顯示模塊的下方顯示檢測出來芽頭的數(shù)量。

20、與現(xiàn)有技術相比，本發(fā)明有以下優(yōu)點：本發(fā)明克服了茶園生產(chǎn)管理過程中人工統(tǒng)計茶樹發(fā)芽密度工作效率較低，勞動強度大，耗時長等問題。本發(fā)明可通過在茶園安裝攝像頭，或者直接使用手機拍照的方式采集茶樹茶芽的圖像，獲取方式簡單快捷；通過圖像預處理后，利用改進的yolov8模型將圖像進行訓練預測，并通過開發(fā)茶芽密度檢測系統(tǒng)進行結果展示，實現(xiàn)了在自然環(huán)境下快速且準確地對茶樹茶芽進行自動識別和數(shù)量統(tǒng)計的目的。

技術特征：

1.一種基于深度學習的茶芽密度檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于深度學習的茶芽密度檢測方法，其特征在于，所述步驟s1中，模擬科研人員實際數(shù)茶芽密度的狀態(tài)，利用手機對自然條件下已修剪好的茶園進行茶芽密度圖像采集，拍照比例為1:1，拍攝角度為正俯拍，拍攝范圍為30×30cm密度框內(nèi)萌芽期、一芽一葉期茶芽，采集圖像的茶樹為已修剪平整的平面茶樹。

3.根據(jù)權利要求1所述的一種基于深度學習的茶芽密度檢測方法，其特征在于，所述步驟s2中預處理流程為：首先，將采集到的圖像使用labelimg對圖片中的茶芽進行標記，生成xml文件；然后，將圖片進行180°旋轉(zhuǎn)以及翻轉(zhuǎn)，使數(shù)據(jù)擴增；最后，按照8:1:1的比例將所有圖片分為訓練集、驗證集、檢測集。

4.根據(jù)權利要求1所述的一種基于深度學習的茶芽密度檢測方法，其特征在于，所述步驟s3中，使用yolov8模型對茶芽密度圖片進行訓練、驗證；通過對訓練輪次epochs、批大小batch_size和圖像大小image_size進行調(diào)整，使其達到配置內(nèi)最優(yōu)值。

5.根據(jù)權利要求4所述的一種基于深度學習的茶芽密度檢測方法，其特征在于，所述步驟s4中，在yolov8模型的網(wǎng)絡結構的金字塔空間池化層后引入psa注意力機制，然后使用相同的數(shù)據(jù)集進行訓練與驗證，得到精確率、召回率、平均精度值均值更高的訓練權重。

6.根據(jù)權利要求1所述的一種基于深度學習的茶芽密度檢測方法，其特征在于，所述步驟s5中，使用pyqt6設計茶芽密度檢測ui頁面，該頁面包括選擇圖片按鍵框、待檢測圖片與檢測后的圖片顯示區(qū)域、檢測結果顯示區(qū)域。

7.根據(jù)權利要求6所述的一種基于深度學習的茶芽密度檢測方法，其特征在于，所述步驟s6中，使用pyuic將設計好的ui頁面轉(zhuǎn)為python代碼，連接信號與槽，并調(diào)用訓練好的權重，生成茶芽密度檢測系統(tǒng)，操作人員只需在頁面點擊上傳按鈕即可得到檢測結果。

8.根據(jù)權利要求1或7所述的一種基于深度學習的茶芽密度檢測方法，其特征在于，所述茶芽密度檢測系統(tǒng)包含選擇圖片模塊、圖片顯示模塊、檢測結果顯示模塊，

技術總結
本發(fā)明公開一種基于深度學習的茶芽密度檢測方法，包括以下步驟：對自然條件下已修剪好的茶園進行茶芽密度圖像采集；對采集到的圖像進行預處理，并按照8:1:1的比例將圖像分為訓練集、驗證集、測試集；建立基于深度學習的茶芽密度識別模型，并調(diào)整相應參數(shù)；對模型的網(wǎng)絡結構進行改進，以提高模型識別效率；設計茶芽密度檢測可視化系統(tǒng)界面，用以進行操作；開發(fā)茶芽密度檢測系統(tǒng)，得到茶芽密度檢測結果。本發(fā)明茶樹茶芽的圖像獲取方式簡單快捷；通過圖像預處理后，利用改進的yolov8模型將圖像進行訓練預測，并通過開發(fā)茶芽密度檢測系統(tǒng)進行結果展示，實現(xiàn)了在自然環(huán)境下快速且準確地對茶樹茶芽進行自動識別和數(shù)量統(tǒng)計的目的。

技術研發(fā)人員：韋康,淦敏,梅建平,王麗鴛,王永鑫,吳立赟
受保護的技術使用者：中國農(nóng)業(yè)科學院茶葉研究所
技術研發(fā)日：
技術公布日：2024/12/19