CN119399564A 一种基于深度学习和嵌入式的玉米果穗损伤检测方法 （吉林大学）

号一种基于深度学习和嵌入式的玉米果穗损本发明公开了一种基于深度学习和嵌入式所述损伤分类结果中的每一张影像数据进行预发明通过预训练的深度学习模型可以及时准确的确定出在玉米收获的过程中出现的玉米损伤进一步为后续收获方案或收获机的改进提供一2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9.一种计算机可读存储介质，其特征在于，所述计算34[0003]目前在农业领域中对于损伤或损伤的非接触检测的研究主要信息来源有多光谱[0007]本发明提供的一种基于深度学习和嵌入式的玉米果穗损伤检测方法的有益效果通过预训练的深度学习模型可以及时准确的确定出在玉米收获的过程中出现的5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，[0012]进一步，所述预训练的深度学习模型通过调用segmentation_models_pytorch中[0014]2）第二方面，本发明还提供一种基于深度学习和嵌入式的玉米果穗损伤检测系式所取得的有益效果，可以参见上述对第一方面及其对应的可能的实现方式的技术效果，[0018]通过阅读参照以下附图所作的对非限制性实施例的详细描述，本发明的其它特图1为本发明实施例的一种基于深度学习和嵌入式的玉米果穗损伤检测方法的流6图2为本发明实施例的一种基于深度学习和嵌入式的玉米果穗损伤检测方法的像图3为本发明实施例的一种基于深度学习和嵌入式的玉米果穗损伤检测方法的摄图4为本发明实施例的一种基于深度学习和嵌入式的玉米果穗损伤检测方法的经图5为本发明实施例的一种基于深度学习和嵌入式的玉米果穗损伤检测方法的各[0020]如图1所示，本发明实施例的一种基于深度学习和嵌入式的玉米果穗损伤检测方[0021]本发明提供的一种基于深度学习和嵌入式的玉米果穗损伤检测方法的有益效果通过预训练的深度学习模型可以及时准确的确定出在玉米收获的过程中出现的集穗箱内的影像数据通过布设于集穗箱上方的摄像7的中心值时则代表这种组合处理方式不会出现于原始图像偏差过大或者完全背离原始图[0028]网络模型结构调用segmentation_models__pytorch中的UNet模型，将[0032]需要进一步说明的是，贯穿整个模型代码，需要定义的内容包括：定义数据集是将在之前预训练中得到的最佳kappa模8。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，[0043]进一步，所述预训练的深度学习模型通过调用segmentation_models_pytorch中9[0052]步骤3同样要进行后续步骤5至步骤7，以评价指标和可视化标记图为标准选出最米收获机工作时所述的基于深度学习和嵌入式的玉米果穗损伤检测系统及其方法的具体好玉米果穗部分和损伤玉米果穗部分。之后计算损伤玉米果穗部分在除背景外部分的占测系统的有益效果与上述一种基于深度学习和嵌入式的玉米果穗损伤检测方法的有益效电子设备300可因配置或性能不同而产生比较大的差异，可以包括一个或多个处存储器310中存储有至少一条计算机程序330，该至少一条计算机程序330由该一个或多个机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限