CN119418328A 基于深度回归神经网络的枣类在线检测方法、系统、存储介质和电子设备 （河南大学）

基于深度回归神经网络的枣类在线检测方本发明公开了一种基于深度回归神经网络生成网络和图像增强策略等技术进行样本扩充22.根据权利要求1所述的一种基于深度回归神经网络的枣类在线检测系统研究方法，步骤1.2，采用直立式以及侧躺式输送枣类方法对所述步骤1.1枣类数据集进行预处步骤1.4，采用图像自动增强策略(AutoAugment)以及循环对抗生成网络(CycleGAN)3.根据权利要求2所述的一种基于深度回归神经网络的枣类在线检测系统研究方法，馈迭代引入CA注意力机制来充分提取尺寸逐级减小所述步骤1.6数据集中的特征图多种枣式(1)和式(2)分别表示高度为h和宽度为w的第c个通道的E;在Coordinate特征映射阶段，将获得全局感受野的宽度和高度后将经过批量归一化处理的特征图送入Sigmoid激活函数得到形如1×(w+h)×c/r的特征3hw最后，在原始特征图上通过乘法再次加权计算，将得到最终步骤2.2，采用改进的双向特征金字塔网络对所述步骤步骤2.3，设计SAR_IoUloss损失函数对所述步骤2.2特2gt)表示预测框b中心点距离与真实框bgt中心点的欧氏距离，c表示预测框4.根据权利要求3所述的一种基于深度回归神经网络的枣类在线检测系统研究方法，步骤3.1，将所述步骤2.4训练好的网络模型权重文件(.pt)转换为嵌入式设备所支持5.根据权利要求4所述的一种基于深度回归神经网络的枣类在线检测系统研究方法，4联网模块接入WIFI，WIFI访问Bylnk服务器，同时服务器端和移动端也通过互联网接入连接多个电磁阀门的控制输入端，控制器设置有基于权利要求1_5任一权利要求所述的基被处理器执行时，使所述计算机可读存储介质所在设备执行权利要求1_5任意一项所述的处理器上运行的程序，所述处理器执行所述程序时实现如权利要求1_5任一所述的基于深5直立式以及侧躺式输送枣类方法对所述步骤1.1枣类数据集进行[0014]步骤1.4，采用图像自动增强策略(AutoAugment)以及循环对抗生成网络方式预训练生成器对所述步骤1.4样本进行多样风格迁移来建立标准、统一的大型6过反馈迭代引入CA注意力机制来充分提取尺寸逐级减小所述步骤1.6数据集中的特征图多[0029]y(i,j)=x(i,)·g⃞(i)·g"i)(6):7[0047]步骤4.3，采用HTTP协议的双机通信模式和Blynk物联网平台进行通信，通过电磁阀门的控制输入端，控制器设置有基于权利要求1_5任一权利要求所述的基于深度回8位置注意力模块、采用改进的双向特征金字塔网络(BidirectionalFeaturePyramidNetwork)、增加小目标检测层以及设计新的SAR_IoUloss损失函数(SmoothedApproximateRegularizedIoUloss)等设计方法构建一种新的基于深度回归神经网络的9[0067]参考图1，示出了根据本发明的一种基于深度回归神经网络的枣类在线检测系统研究方法的一些实施例的流程。该基于深度回归神经网络的枣类在线检测系统研究方法，[0076]步骤1.4，采用图像自动增强策略(AutoAugment)以及循环对抗生成网络[0077]其中采用图像自动增强策略(AutoAugment)以及循环对抗生成网络(CycleGAN)对所述步骤1.3训练数据进行增强和风格方式预训练生成器对所述步骤1.4样本进行多样风格迁移来建立标准、统一的大型CA(Content_basedAttentionMechanism)注意力机制来充分提取尺寸逐级减小所述步骤征图对应的行和列。和是特征图在通道c上对h和w的输出，输出值不仅与通道数c有力特征权重gh,gw，具体公式如(4)和(5)所示，其中σ为sigmoid激活函数(Sigmoid[0093]y(i,j)=x(i,j)·g(i)·gy()(6)[0094]步骤2.2，采用改进的双向特征金字塔网络(BidirectionalFeaturePyramidNetwork)对所述步骤2.1数据集中的特征图进行特征融合对应公[0105]其中采用多尺度目标检测对所述步骤2.3优化后得到的网络模型数据进行训练包[0111]步骤3.2，将所述步骤3.1转换好的网络模型在JetsonNano(NVIDIAJetson[0116]步骤4.3，采用HTTP(HyperTextTransferProtocol)协议的双机通信模式和实时数据通信交互，进而完成所述步骤4.2枣类进料并使其均匀分布在传送带的仓位等机[0118]步骤4.5，使服务器与多条分拣线的分拣控制核心嵌入式设备JetsonNano(NVIDIAJetsonNano)相连进而对所述步骤4.4移动APP(Application[0119]本发明通过自制的图像数据采集装置采集样本、利用人农产品的研究提供数据支持。进一步的，本发明通过拓展和迭代浅层CSP(ConstraintSatisfactionProblem)模块、引入位置注意力模块、采用改进的双向特征金字塔网络(BidirectionalFeaturePyramidNetwork)、增加小目标检测层以及设计新的SAR_IoUloss损失函数(SmoothedApproximateRegularizedIoUloss)