本發(fā)明涉及青桔檢測領域，具體涉及一種基于自監(jiān)督對比學習的青桔檢測方法及計算機裝置。

背景技術：

1、近年來，深度學習的發(fā)展使得目標檢測在諸多場景下表現優(yōu)異。

2、如現有技術cn114998704a公開的一種基于yolov5的瑕疵目標檢測方法，包括圖像的獲?。河脩衾脠D像采集設備對目標對象進行圖像采集，并將采集到的圖像按照pascalvoc數據集的格式將圖片命名。該方案通過對yolov5算法做出了進一步的改進，更好的平衡不同尺度的特征信息；針對密集、相互遮擋的小目標，使用varifocalloss來訓練密集目標，使得網絡模型面對大面積聚簇重疊的目標時，能夠準確識別。對物體自身現狀顏色變化、復雜自然環(huán)境條件等也有較好的魯棒性。

3、但針對某些目標的檢測，例如青桔的檢測，由于青桔果實的顏色與背景樹葉相近，果樹的偽裝極大增加了模型的識別難度，采用現有的目標檢測算法無法對青桔果實進行有效準確的檢測。

技術實現思路

1、本發(fā)明的目的在于克服現有技術的缺點，提供一種基于自監(jiān)督對比學習的青桔檢測方法及計算機裝置，實現了在偽裝環(huán)境下對青桔果實的檢測，提高了檢測結果的準確性。

2、本發(fā)明采取如下技術方案實現上述目的，第一方面，本發(fā)明提供一種基于自監(jiān)督對比學習的青桔檢測方法，包括：

3、s1、青桔數據集采集；

4、采集不同角度、不同距離以及不同光照背景下的青桔果實圖像數據作為數據集a，同時采集無青桔果樹背景下的青桔果實圖像數據，以及無青桔果實背景下的青桔果樹圖像數據作為數據集b；

5、s2、對數據集a進行標注；

6、s3、數據處理；

7、對標注后的數據進行隨機角度旋轉、亮度調整、對比度增強、色度銳度增強以及添加噪聲的數據增強操作，添加噪聲的過程中，在矩形檢測框內添加高斯噪聲和椒鹽噪聲，在矩形檢測框外添加彩色噪聲與運動模糊噪聲；

8、s4、自監(jiān)督對比學習；

9、通過simclr模塊將數據集b中的無青桔果樹背景下的青桔果實圖像數據，以及無果實背景下的青桔果樹圖像數據構建為正負樣本對，隨后使用對比損失函數對兩個分支網絡的特征提取器進行更新和優(yōu)化，優(yōu)化后采用針對青桔邊緣輪廓的特征提取網絡作為特征提取器，提取后的特征通過dense模塊處理，dense模塊作為simclr的投影頭將提取的特征放入低維空間進行對比，最終在infonce對比損失的指導下使用nt-xent完成訓練并保存模型權重；

10、特征提取網絡采用yolov11-go網絡模型，在yolov11-go網絡模型的下采樣過程中，將其主干網絡及頸部網絡中的c3k2層替換為dccv-c3k2，并將yolov11-go網絡模型的四個輸出通道壓縮至256，第二特征層的輸出經過一個卷積塊處理后，與經過c3k2模塊、卷積塊和上采樣處理的第三特征層特征圖相結合，再通過一個c3k2模塊，形成第二特征層的最終輸出，在頸部網絡輸出特征之后，加入basicrfb模塊，basicrfb模塊基于inception模式，結合多卷積并行和空洞卷積技術，其包含3個分支和一個殘差結構，各分支分別由不同類型的卷積塊組成，最終將特征整合至檢測頭；

11、s5、自監(jiān)督對比學習訓練；

12、將部分標正負樣本對在simclr模塊進行訓練，模型訓練完成后，將得到的模型權重加載到yolov11-go網絡模型中，將剩余部分的正負樣本對送入yolov11-go網絡模型的主干網絡進行特征提取，輸出多個特征層，多個特征層捕捉不同尺度的目標信息后，經由頸部網絡整合，通過特征融合和上采樣操作增強特征表示，接下來，融合后的特征圖通過檢測頭生成目標檢測的邊界框信息，最后應用soft-nms去除冗余的預測框，只保留置信度大于設置值的檢測結果，最終輸出邊界框坐標、類別置信度和分類標簽，形成完整的青桔目標檢測結果；

13、通過損失函數對青桔目標檢測結果進行評判；

14、在yolov11-go網絡模型中，采用siou?損失函數，siou?損失函數由iou損失，距離損失，角度損失，形狀損失組合而成，其公式如下：

15、；

16、式中，是平衡各損失項的重要性系數，是預測框和真實框的交并比，表示預測框和真實框的中心點距離之間的損失，用于衡量預測框和真實框的長寬比差異，表示預測框和真實框間的角度損失；

17、s6、設置yolov11-go網絡模型的迭代次數、批次大小以及初始學習率，通過標注的數據進行迭代訓練，最后通過訓練完成的yolov11-go網絡模型進行青桔檢測。

18、進一步的是，步驟s2中，對采集的數據標注時，通過labelme圖像標注工具對圖像中所有遮擋率小于95%，露出超過10像素點的青桔果實圖像與青桔果樹圖像使用矩形檢測框進行標注。

19、進一步的是，步驟s3還包括：

20、通過albumentations庫調整數據增強操作后矩形檢測框的位置，使得矩形檢測框的坐標同步增強和調整。

21、進一步的是，步驟s4中，根據采集的無青桔果樹背景下的青桔果實圖像數據，以及無果實背景下的青桔果樹圖像數據構建正負樣本對之前，還包括：

22、通過sobel濾波、裁剪、剪切以及顏色失真對該青桔果實圖像數據以及青桔果樹圖像數據分別進行不同的數據增強。

23、第二方面，本發(fā)明提供一種計算機裝置，包括存儲器，所述存儲器存儲有程序指令，所述程序指令運行時，執(zhí)行上述所述的基于自監(jiān)督對比學習的青桔檢測方法。

24、本發(fā)明的有益效果為：

25、本發(fā)明采用自監(jiān)督對比學習的方法增強模型的特征提取能力，將采集的無青桔果樹背景下的青桔果實圖像數據，以及無果實背景下的青桔果樹圖像數據構建為正負樣本對，通過正負樣本對進行對比學習，能夠實現模型權重的重新分配，增強模型在偽裝環(huán)境下的檢測能力，最后設置損失函數、模型的迭代次數、批次大小以及初始學習率，通過標注的數據進行迭代訓練，最后通過訓練完成的yolov11-go網絡模型進行青桔檢測，極大地提高了偽裝環(huán)境下的青桔檢測能力。

技術特征：

1.一種基于自監(jiān)督對比學習的青桔檢測方法，其特征在于，包括：

2.根據權利要求1所述的基于自監(jiān)督對比學習的青桔檢測方法，其特征在于，步驟s2中，對數據集a進行標注時，通過labelme圖像標注工具對圖像中所有遮擋率小于95%，露出超過10像素點的青桔果實圖像與青桔果樹圖像使用矩形檢測框進行標注。

3.根據權利要求1所述的基于自監(jiān)督對比學習的青桔檢測方法，其特征在于，步驟s3還包括：

4.根據權利要求1所述的基于自監(jiān)督對比學習的青桔檢測方法，其特征在于，步驟s4中，根據采集的無青桔果樹背景下的青桔果實圖像數據，以及無果實背景下的青桔果樹圖像數據構建正負樣本對之前，還包括：

5.一種計算機裝置，包括存儲器，所述存儲器存儲有程序指令，其特征在于，所述程序指令運行時，執(zhí)行如權利要求1-4任意一項所述的基于自監(jiān)督對比學習的青桔檢測方法。

技術總結
本發(fā)明涉及青桔檢測領域，具體涉及一種基于自監(jiān)督對比學習的青桔檢測方法及計算機裝置。本發(fā)明采用自監(jiān)督對比學習的方法增強模型的特征提取能力，將采集的無青桔果樹背景下的青桔果實圖像數據，以及無果實背景下的青桔果樹圖像數據構建為正負樣本對，通過正負樣本對進行對比學習，能夠實現模型權重的重新分配，增強模型在偽裝環(huán)境下的檢測能力，最后設置損失函數、模型的迭代次數、批次大小以及初始學習率，通過標注的數據進行迭代訓練，最后通過訓練完成的YOLOv11?go網絡模型進行青桔檢測，極大地提高了偽裝環(huán)境下的青桔檢測能力。本發(fā)明適用于青桔果實檢測。

技術研發(fā)人員：王先垚,陳曉燕,黃雨桐,徐瑋澤,蔡麗萍,劉馨遙,牟迪,徐子揚,路正陽,郭純杰
受保護的技術使用者：四川農業(yè)大學
技術研發(fā)日：
技術公布日：2024/12/23