基于YOLOv5模型的草莓估產(chǎn)及長勢預(yù)測研究.pdf

第4 5卷第2期杭州電子科技大學(xué)學(xué)報 自然科學(xué)版 V o l 4 5 N o 2 2 0 2 5年3月J o u r n a l o f H a n g z h o u D i a n z i U n i v e r s i t y N a t u r a l S c i e n c e s M a r 2 0 2 5 D O I 1 0 1 3 9 5 4 j c n k i h d u 2 0 2 5 0 2 0 1 2 基于YOLOv5模型的草莓估產(chǎn)及長勢預(yù)測研究 郭 鑫 張可怡 潘昊晨 董佳明 李 真 杭州電子科技大學(xué)自動化學(xué)院 浙江杭州3 1 0 0 1 8 收稿日期 2 0 2 3 1 1 3 0 基金項目 國家自然科學(xué)基金項目 6 2 0 7 3 1 1 1 省屬高?；究蒲袠I(yè)務(wù)費 卓越科研育人 專項 G K 2 3 9 9 0 9 2 9 9 0 0 1 4 0 7 作者簡介 郭鑫 1 9 9 8 男 碩士研究生 研究方向 目標檢測 迭代學(xué)習(xí) E m a i l g u o x i n h d u e d u c n 通信作者 李真 1 9 9 0 女 實驗師 研究方向 實驗室管理及實驗教學(xué) E m a i l l z 8 6 5 0 4 8 8 4 0 1 6 3 c o m 摘要 傳統(tǒng)的草莓成熟預(yù)測方法主要是依據(jù)種植人員的專業(yè)知識與經(jīng)驗 對不同品種草莓生長過 程的不同階段進行觀察和檢測 從而估計草莓的成熟情況 但這種方法效率偏低 針對該問題 本 文首先依據(jù)草莓成熟度的國家標準 并在此標準下 將草莓的成熟情況進一步細化 然后建立了 草莓數(shù)據(jù)集 訓(xùn)練了Y O L O v 5目標檢測模型 利用該模型對草莓的成熟情況進行數(shù)值化 并將數(shù)值 化結(jié)果進行了統(tǒng)計 對數(shù)據(jù)進行處理得到了樣本點 最后 分別利用一元多項式回歸 神經(jīng)網(wǎng)絡(luò)回 歸以及D o u b l e B o l t z m a n n擬合方式 得到1 7 2 8個樣本點 對指定生長條件下的紅顏草莓生長曲線 進行了回歸擬合 并對結(jié)果進行了對比分析 實驗結(jié)果表明 本文構(gòu)建的草莓成熟期生長模型較 為準確 可以對草莓從開始結(jié)果到果實成熟的全過程的生長趨勢作出預(yù)測和分析 關(guān)鍵詞 草莓檢測 成熟度量化 曲線擬合 神經(jīng)網(wǎng)絡(luò) 中圖分類號 T P 3 9 1 文獻標志碼 A 文章編號 1 0 0 1 9 1 4 6 2 0 2 5 0 2 0 0 8 3 1 4 0 引 言 近年來 隨著草莓的市場需求逐步擴大以及我國大棚技術(shù)的進一步推廣 草莓的種植面積不斷增 加 在現(xiàn)代化科學(xué)種植方法的指導(dǎo)下 草莓種植過程中發(fā)生大面積病蟲害等問題已比較少見 當前種 植者更關(guān)心的問題是草莓的成熟情況 以及何時組織人員進行采摘可以達到最佳的效果 目前 草莓成 熟的預(yù)估大多依靠專業(yè)種植人員的人眼觀察 這種方式缺點明顯 知識和經(jīng)驗要求過高 判斷結(jié)果有較 強的主觀性和局限性 而且效率低下 難以對大面積種植區(qū)域草莓整體的成熟情況進行較為準確的 評估 近年來隨著人工智能研究的進一步發(fā)展和深入 深度學(xué)習(xí)技術(shù)取得了長足的進步 國內(nèi)外學(xué)者紛紛 將其運用到作物生長以及相關(guān)領(lǐng)域中 對分析復(fù)雜的農(nóng)作物生長問題取得了較為理想的效果 1 7 楊嘉 博等 8 利用深度學(xué)習(xí)技術(shù) 通過數(shù)據(jù)驅(qū)動的方式 自動學(xué)習(xí)水稻圖像大數(shù)據(jù)中蘊含的生長規(guī)律 實現(xiàn)水 稻的可視化生長預(yù)測 其提出的預(yù)測模型對實驗條件下稀疏種植的水稻具有較好的預(yù)測能力 但因其不 具備復(fù)雜環(huán)境下分離單株水稻圖像的能力 對收集的圖像要求較高 在種植密集的水稻田中預(yù)測能力不 足 因此該方法并不適用于密集種植的草莓的生長預(yù)測 J o等 9 使用草莓植株的葉片長度 冠徑和生 長過程中受到的紅光和遠紅光之比等作為草莓生長情況的預(yù)測因子 通過多元線性回歸對草莓的產(chǎn)量 進行預(yù)測 這種方法可以較有效地預(yù)測草莓植株的產(chǎn)量 但缺乏對于草莓個體的成熟度 大小和重量的 預(yù)測 在指導(dǎo)不同階段的草莓養(yǎng)護種植策略上有所欠缺 C h e n等 1 0 使用基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)開 發(fā)了一種人工和時間成本最小的草莓花自動檢測系統(tǒng) 通過計算一定范圍內(nèi)草莓花朵 成熟草莓 未成 熟草莓的數(shù)量來預(yù)估草莓未來的產(chǎn)量 但該研究主要關(guān)注草莓花朵的檢測及產(chǎn)量預(yù)估 對于這些檢測目 標和未來草莓產(chǎn)量的關(guān)系研究不充分 沒有建立相對有效的產(chǎn)量預(yù)測模型 并沒有分析預(yù)測草莓成熟時 間 無法起到指導(dǎo)采摘時間的作用 A n等 1 1 以Y O L O X模型為基礎(chǔ) 采用自主設(shè)計的特征提取模塊 C 3 H B取代了骨干網(wǎng)原有的C S P塊 嵌入歸一化注意模塊 并利用最新的S I O U目標損失函數(shù)提高檢 測模型的預(yù)測精度 最終實現(xiàn)了草莓果實在五種生長狀態(tài)下的監(jiān)測 可以較好地分辨出草莓的生長階 段 但其不具有對草莓生長的預(yù)測能力 對草莓未來的生長趨勢預(yù)測能力較弱 李鵬程 1 2 挑選出多種 影響草莓生長的外部因素 在光照 溫度 濕度不變的條件下使用碰撞算法篩選出與草莓生長情況關(guān)聯(lián) 最大的外部因素 并使用B P神經(jīng)網(wǎng)絡(luò)構(gòu)建了多要素相互碰撞的生長模型 然而該預(yù)測模型是基于光 照 溫度 濕度不變的條件 當這些基本量發(fā)生變化時將影響預(yù)測模型的準確率 且模型是基于草莓生長 的外部因素得到的 沒有直接對草莓本身進行研究 其與草莓生長的相關(guān)性弱于直接研究草莓本身 也 不能預(yù)測草莓處于何種的生長階段 對不同階段草莓種植養(yǎng)護的指導(dǎo)意義較弱 倪子凡等 1 3 提出一種 改進的L o g i s t i c曲線模型來定量分析草莓生長周期中累積重量的增長過程 并使用草莓實驗數(shù)據(jù)集擬 合曲線模型 但該模型不能預(yù)測草莓處于何種生長期中 無法將生長期與草莓重量對應(yīng) 對于不同的草 莓種植階段的指導(dǎo)意義不強 而且使用L o g i s t i c生長曲線進行擬合預(yù)測 其本身難以解釋變量之間的內(nèi) 在機理 只能描述變量隨時間的統(tǒng)計規(guī)律 遇到特殊個體時其預(yù)測效果較差 另外 其使用的草莓數(shù)據(jù)集 具有局限性 當草莓種植方法改變時需要重新擬合 李楊等 1 4 基于Y O L O v 5目標檢測算法 對草莓不 同生長階段的圖片進行標注和訓(xùn)練 得到可以區(qū)分草莓生長階段的目標檢測模型 用于指導(dǎo)農(nóng)戶開展生 產(chǎn)管理和預(yù)估 但是該模型只將草莓的生長階段分為6種 對草莓生長階段的預(yù)測會集中于這些生長階 段點 而草莓生長是個連續(xù)的過程 草莓生長階段應(yīng)更多位于相鄰兩個生長階段之間 所以這種模型只 能確定大致的草莓生長階段 并不能進行準確的預(yù)測 本文相比上述生長預(yù)測的研究 具有更多優(yōu)勢 首先本文利用Y O L O v 5對采集的圖片中的草莓進 行不同生長階段的目標檢測 與其他目標檢測算法如S S D C e n t e r N e t Y O L O v 3 Y O L O v 4相比較 Y O L O v 5的特征提取效果更加優(yōu)異 并且計算速度較快 適合實時檢測 在檢測到草莓并得到其生長 階段的識別結(jié)果后進行草莓成熟度量化評估 對草莓生長曲線進行擬合 得到草莓成熟度與生長日期的 關(guān)系 進而對草莓的生長趨勢進行預(yù)測 本文研究所得到的模型可以幫助種植者客觀地評價一片區(qū)域 內(nèi)的草莓成熟情況 并對該區(qū)域草莓的成熟情況做出一定的分析指導(dǎo) 有利于提高生產(chǎn)效益和經(jīng)濟效 益 加快農(nóng)業(yè)數(shù)字化建設(shè) 助力智慧農(nóng)業(yè)建設(shè) 1 標準確定及總體方案設(shè)計 1 1 草莓生長期的劃分以及成熟度標準值的確定 對于草莓成熟的界定標準 根據(jù)中華人民共和國農(nóng)業(yè)部2 0 0 9年頒布的 草莓等級規(guī)格 中標準定義 將成熟草莓分為特級 一級和二級三個等級 1 5 對草莓的目標檢測及成熟度預(yù)估的文獻 1 6 1 8 均將草 莓的成熟情況劃分為各個等級 分別改進不同的模型對草莓數(shù)據(jù)集進行目標檢測模型訓(xùn)練 提高了在不 圖1 草莓成熟情況展示 同背景下草莓檢測分類的準確率 通過查閱文獻 1 4 以及與草莓種植者的交流了解 到 草莓的生長階段大致可分為以下六個時期 綠熟前期 b e f o r e g r e e n 綠熟期 g r e e n 白熟期 w h i t e 轉(zhuǎn)色期 t r a n s f o r m 紅熟期 r e d 潰爛期 b a d 本文研究的 草莓生長預(yù)測以綠熟前期作為基準點 5 以草莓成熟 潰爛發(fā)霉作為終點 1 0 0 六個時期的草莓樣例展示 如圖1所示 其從左到右 從上到下分別是綠熟前期 綠 熟期 白熟期 轉(zhuǎn)色期 紅熟期 潰爛期的草莓樣例 草莓圖片數(shù)據(jù)采集地是浙江省杭州市余杭區(qū)的彭公 數(shù)字農(nóng)業(yè)產(chǎn)業(yè)園 根據(jù)該農(nóng)莊的種植者介紹以及對所采 集數(shù)據(jù)的初步分析 從草莓的小漿果 綠熟前期 長到綠 48杭州電子科技大學(xué)學(xué)報 自然科學(xué)版 2 0 2 5年 熟期階段大概需1 0 d 從綠熟期到白熟期大概需1 0 d 再經(jīng)過1 0 d到達轉(zhuǎn)色期 再經(jīng)過5 d到達成熟期 最后經(jīng)過5 d左右到達潰爛期 總生長周期約為4 0 d 根據(jù)紅顏草莓的生長特性 按照生長時間的長 短劃分成熟度 同時考慮到為避免張量運算中除數(shù)為零 將綠熟前期 b e f o r e g r e e n 綠熟期 g r e e n 白 熟期 w h i t e 轉(zhuǎn)色期 t r a n s f o r m 紅熟期 r e d 潰爛期 b a d 的標準成熟度分別規(guī)定為 5 2 5 5 0 7 0 8 5 1 0 0 中國農(nóng)業(yè)草莓行業(yè)標準N Y T 4 4 4 2 0 0 1規(guī)定 1 9 如果草莓的著色率超過 7 0 即可進行采摘食用 因此根據(jù)本文所采用的成熟度標定規(guī)定紅顏草莓最佳采摘階段為成熟度 8 0 8 7 1 2 總體方案 本文總體方案如圖2所示 使用固定相機或者其他拍攝工具進行草莓圖片的拍攝 距離草莓約5 0 6 0 c m的位置進行拍攝 使用l a b e l I m g對圖片進行標注并保存為Y O L O數(shù)據(jù)集格式 制作草莓目標 檢測數(shù)據(jù)集 采用數(shù)據(jù)增強的方式擴展數(shù)據(jù)集 使用Y O L O v 5 s模型進行訓(xùn)練草莓目標檢測模型 采用 1 l o g歸一化對草莓的成熟情況進行數(shù)字化處理 使用迭代擬合和神經(jīng)網(wǎng)絡(luò)方法生成草莓生長擬合 模型 展示預(yù)測結(jié)果為現(xiàn)實種植所用 圖2 系統(tǒng)整體框圖 2 數(shù)據(jù)集的建立 2 1 數(shù)據(jù)采集與數(shù)據(jù)增強 為了采集到不同環(huán)境條件下的草莓圖片 得到草莓生長環(huán)境的平均情況 分別在不同的天氣環(huán)境下 去對草莓進行了拍攝 不同時間拍攝草莓的環(huán)境條件如表1所示 對1 0 0株紅顏草莓進行了序號標記 并在序號旁邊附以黑色正方塊作為參照物如圖1所示 以便對 每株草莓上的每顆果實進行定位匹配 便于數(shù)據(jù)標注過程中對草莓的生長階段進行較為準確的判斷 表1 紅顏草莓的生長環(huán)境 時間 月 日 時 輻射 W m 2 輻累 M J m 2 溫度 土溫 照度 l u x濕度 R H 3 3 1 2 3 5 0 5 0 3 1 6 2 1 8 3 3 8 6 0 0 3 2 8 3 8 9 5 0 1 5 0 1 8 0 1 9 1 6 0 4 0 7 2 0 3 8 1 5 3 6 2 0 2 1 8 5 2 0 6 3 0 0 0 7 9 0 3 1 3 9 2 3 1 2 3 3 1 3 6 1 4 7 2 2 4 6 0 4 7 6 3 1 3 1 2 3 7 4 5 1 5 1 7 3 2 0 8 3 9 3 0 0 3 4 8 3 1 3 1 5 3 3 3 8 4 9 1 8 3 2 2 4 3 1 7 4 0 2 7 7 草莓數(shù)據(jù)集是使用智能手機 R e d m i K 4 0 的內(nèi)置相機拍攝的 所拍圖片的分辨率為3 0 0 0 4 0 0 0 像素 在距離草莓約5 0 6 0 c m的位置 每隔5 d對草莓拍攝三次 每次拍攝間隔時長為3 h 為了確保 數(shù)據(jù)集樣本的多樣性 同時減少由于拍攝當天的天氣 光照 濕度等環(huán)境條件所造成的誤差 分別在 不同的天氣和光照條件下拍攝了3 0 0 0多個不同生長狀態(tài)的草莓 并使用J P G格式進行了存儲 使 用注釋工具l a b e l I m g對獲得的數(shù)據(jù)集進行注釋 標注結(jié)果如圖3所示 并將其保存為Y O L O數(shù)據(jù)集 格式 58第2期郭鑫 等 基于Y O L O v 5模型的草莓估產(chǎn)及長勢預(yù)測研究 圖3 數(shù)據(jù)集標注結(jié)果 標注標準如下 1 綠熟前期 b e f o r e g r e e n 萼片將草莓包裹覆蓋達到一半及以上 2 綠熟期 g r e e n 草莓整體呈現(xiàn)鮮綠色 萼片僅包裹草莓果梗附近的小部分 3 白熟期 w h i t e 草莓整體呈現(xiàn) 白色或淡綠色 4 轉(zhuǎn)色期 t r a n s f o r m 草莓出現(xiàn)一定面積的紅色 5 紅熟期 r e d 草莓整體為亮紅 色 果實整體飽滿 6 潰爛期 b a d 草莓整體為紅色 局部出現(xiàn)暗紅色甚至潰爛或伴有白色霉菌 這 是由于草莓被霉菌侵染造成的 稱為白粉病 但一般在草莓未生長成熟前患病概率很小 而長至成熟后 未及時采摘 其染上霉菌的概率大大增加 故將其歸為潰爛期 未及時采摘的生長末期 Y O L O v 5模型的輸入端使用M o s a i c數(shù)據(jù)增強操作 以提升模型的訓(xùn)練速度和網(wǎng)絡(luò)的精度 M o s a i c D a t a E n h a n c e m e n t利用四張圖片 并且按照隨機縮放 隨機裁剪和隨機排布的方式對四張圖片 進行拼接 每一張圖片都有其對應(yīng)的框 將四張圖片拼接之后就獲得一張新的圖片 同時也獲得這張 圖片對應(yīng)的框 該方法拓展了檢測物體的背景情況 且在標準化B N計算時計算四張圖片的數(shù)據(jù) 訓(xùn) 練效率有所提升 同時由于這種數(shù)據(jù)增強方式的存在使得模型訓(xùn)練過程對批次大小依賴程度降低 M o s a i c數(shù)據(jù)增強過程示意圖如圖4所示 2 2 目標檢測模型訓(xùn)練與評估 將每顆草莓果實的成熟情況數(shù)值化的過程中 為了避免人工賦值的主觀性 本文訓(xùn)練了Y O L O v 5 目標檢測模型 使用該目標檢測模型對草莓果實的成熟度進行量化 量化的前提是對圖片進行目標檢 測 并對目標進行合理的分類 用于制作數(shù)據(jù)集拍攝的草莓圖片共9 0 0張 對其中1 8 0張進行標注 其 68杭州電子科技大學(xué)學(xué)報 自然科學(xué)版 2 0 2 5年 圖4 M o s a i c數(shù)據(jù)增強 中1 0 0張用作訓(xùn)練集 8 0張用作測試集 考慮到本數(shù)據(jù)集較小 而數(shù)據(jù)集中密集型小目標的占比也比 較小 同時對后續(xù)的成熟度數(shù)值化估計要求該模型不能具有相當高的檢測精度 因此本文選用模型參數(shù) 相對較少的Y O L O v 5 s模型進行訓(xùn)練 在Y O L O v 5模型中的Y O L O v 5 s預(yù)訓(xùn)練模型的基礎(chǔ)上對訓(xùn)練集 訓(xùn)練1 0 0 e p o c h s 訓(xùn)練結(jié)果如圖5 6 7 8所示 圖5是訓(xùn)練完成后的混淆矩陣 Y O L O v 5模型的可視化結(jié)果中在原 有的標簽類中加入了b a c k g r o u n d背景類 并將該類的預(yù)測情況一并顯示到了混淆矩陣中 由混淆矩陣 可以看出 模型對綠熟期和白熟期的草莓分類容易混淆 這是由于模型訓(xùn)練得不夠充分造成的情況 而 這種情況正是對草莓成熟度量化所需要的結(jié)果 對紅熟期和潰爛期的草莓分類也很容易混淆 甚至所 有的潰爛期樣本幾乎全部被分類為紅熟期 造成這種情況的原因一方面是由于數(shù)據(jù)集中潰爛期的草莓 樣本數(shù)目較少 另一方面是由于訓(xùn)練迭代次數(shù)不夠 對其的特征學(xué)習(xí)不夠充分 對于其他生長時期的草 莓數(shù)據(jù)該模型已經(jīng)達到了很好的訓(xùn)練結(jié)果 對于生長末期的草莓可以人為對其成熟度進行一些修正 圖6是該模型結(jié)果的P R曲線圖 圖7是1 0 0 e p o c h s訓(xùn)練過程中的損失下降情況以及全類別平均準確 率和召回率的上升情況 模型的目標檢測推斷結(jié)果如圖8所示 在可視化的結(jié)果中展示了每個檢測目 標所預(yù)測的類別以及其總置信度 包括檢測框置信度以及分類置信度 2 3 草莓成熟度的數(shù)字化與數(shù)據(jù)統(tǒng)計 1 草莓成熟度的數(shù)字化 對于草莓成熟度的數(shù)值化估計 希望得到的草莓成熟度與該個體的具體性狀無關(guān) 比如草莓萼片 有長有短 個體有大有小 可能這顆草莓本身就會長得很大 但是現(xiàn)在的大小只是其完全體大小的百分 之四十 盡管與周圍其他草莓個體相比較 其看上去更加成熟 但應(yīng)該注意到它的生長階段應(yīng)該仍處于 初期 與人工標注相比 這一點很有可能成為人為量化成熟度的重要依據(jù) 但是這樣一來人與人的標準 便不統(tǒng)一 同一個人今天的標準和明天的標準也不一定統(tǒng)一 而目標檢測模型利用客觀的網(wǎng)絡(luò)參數(shù)對 輸入結(jié)果進行推測 唯一的輸入只會得到唯一的結(jié)果 這就更加客觀地反映出該品種草莓的生長情況 此外 草莓的生長是一個連續(xù)的過程 所給定的類別劃分只是作為一個較為有代表性的關(guān)鍵時間節(jié)點 對于生長到兩個結(jié)點中間階段的草莓樣本 人工標定既可以標為前者 也可以標定為后者 若將模型的 性能訓(xùn)練到十分精確的程度 對于這種樣本 該模型對此樣本的標簽類別預(yù)測概率就會極大地接近1 此時無論對于前者還是后者 都不應(yīng)該預(yù)測為很大的概率 而是二者應(yīng)該相對持平 因此 模型的訓(xùn)練 78第2期郭鑫 等 基于Y O L O v 5模型的草莓估產(chǎn)及長勢預(yù)測研究 圖5 混淆矩陣 圖6 P R曲線 圖7 1 0 0 e p o c h s訓(xùn)練過程中各項指標的變化趨勢 88杭州電子科技大學(xué)學(xué)報 自然科學(xué)版 2 0 2 5年 圖8 目標檢測結(jié)果 情況應(yīng)盡量避免過擬合的情況 以免最終的成熟度集中分布在標定值附近 達不到去極化的標準 同時 為使得對目標的檢測結(jié)果盡量準確 模型應(yīng)該進行相當數(shù)量的迭代訓(xùn)練 防止欠擬合導(dǎo)致丟失大量樣本 數(shù)據(jù) 本數(shù)據(jù)集在Y O L O v 5模型訓(xùn)練完成后 使用該模型進行前向推斷 結(jié)果的可視化在2 2節(jié)中已經(jīng) 展示 前向推斷的中間過程是一個包含位置信息 置信度信息和類別信息的張量 對于本節(jié)示例中的草 莓圖片 通過前向推斷和后處理后得到的是一個1 1 8 9 0 0 1 1的張量 在1 1維的向量中包含了位置 置信度和類別信息 解析這個張量即可得到該模型預(yù)測的每個目標的對應(yīng)類別的概率 介于0 1之 間 該概率并不是一個分布 為使其成為一個分布 應(yīng)對其進行歸一化處理 考慮到草莓在前期和末期生長速度較慢 生長變化情況差異不大 因此歸一化處理完成后的成熟度 量化函數(shù)應(yīng)該滿足以下三點 1 同一時間下不同形狀草莓的成熟度是否有顯著差異 2 同一株草莓的同一個果實在不同時刻的成熟度是否能表現(xiàn)出顯著的差異 3 成熟度的分布情況不應(yīng)該集中于給定的標準值附近 成熟度的分布應(yīng)該去極化 這里分別考慮用e x p歸一化 1 l o g歸一化 1 l o g歸一化以及標準歸一化 歸一化后的每個 類的概率是一個分布 歸一化處理后得到新的概率分布情況 再與標定成熟度進行加權(quán) 最終得到該草 莓的成熟度數(shù)值 設(shè)歸一化處理后第i類的概率為pi 其對應(yīng)的標定值為ai 則第n個草莓個體的成熟 98第2期郭鑫 等 基于Y O L O v 5模型的草莓估產(chǎn)及長勢預(yù)測研究 度即為 mn piai 1 其中i分別為0 1 2 3 4 5 由第1節(jié)定義可知 草莓六個時期的標定成熟度分別為5 2 5 5 0 7 0 8 5 1 0 0 對于幾種歸一化方法分別給出結(jié)果展示 如圖9 1 0所示 從左到右分別是e x p歸一化 1 l o g 歸一化 標準歸一化 1 l o g歸一化 可以明顯看出e x p歸一化所得的不同生長時期的草莓成熟度差異 并不顯著 1 l o g歸一化的紅熟果實成熟度預(yù)測遠遠偏于標定值 并且不同程度的紅熟期草莓差異并 不顯著 標準歸一化的成熟度數(shù)值對標定成熟度過于接近 不滿足成熟度分布的去極化要求 1 l o g 歸一化對以上幾點要求的綜合效果最好 因此選取該函數(shù)進行歸一化作為最終的成熟度量化函數(shù) 圖9 歸一化結(jié)果 圖1 0 歸一化結(jié)果 2 數(shù)據(jù)統(tǒng)計 在對草莓的成熟度進行客觀的評價后 需要對不同時間節(jié)點下的相同草莓的成熟度進行統(tǒng)計 由 于不同時間節(jié)點的拍攝角度 拍攝距離 光照情況的不同 需要針對同一編號的相同位置的同一顆草莓 進行人工匹配 并記錄其成熟度 考慮到由于不同時間點拍攝條件的差異也會影響模型預(yù)測結(jié)果 違背 因果關(guān)系 因此 在數(shù)據(jù)統(tǒng)計的過程中對于同一天拍攝的三組圖片 將其成熟度進行排序后 再進行統(tǒng) 計 在不影響紅顏草莓生長趨勢的情況下 保證擬合的生長曲線呈現(xiàn)一個上升的趨勢 以減小因拍攝條 件差異造成的誤差 對于一些外部原因?qū)е碌牟葺麑嵢笔б约澳Ｐ臀茨艹晒z測出的樣本 記作該 草莓的樣本缺失 其成熟度記作 1 便于后續(xù)的數(shù)據(jù)處理 部分數(shù)據(jù)展示如表2所示 橫軸坐標代表 不同時刻對草莓圖片的拍攝 如1 0 2 5代表從起始狀態(tài)開始到1 0 2 5 d 縱軸坐標代表各個不同草莓的 編號情況 兩坐標交點處的值即為該草莓該時刻的成熟度情況 09杭州電子科技大學(xué)學(xué)報 自然科學(xué)版 2 0 2 5年 表2 部分草莓成熟度數(shù)據(jù)統(tǒng)計 編號0 d 0 1 2 5 d 0 2 5 d 5 d 5 1 2 5 d 5 2 5 d 1 0 d 1 0 1 2 5 d 1 0 2 5 d 1 5 5 8 5 9 7 6 0 1 1 6 5 6 1 6 6 0 1 6 8 7 2 8 0 0 2 8 9 0 1 2 6 1 3 7 8 4 1 1 8 4 1 1 9 0 3 1 9 3 2 2 6 9 6 2 8 7 6 2 9 1 4 3 3 8 3 1 3 8 3 3 3 8 8 6 1 1 5 3 6 1 1 6 3 4 7 1 4 2 5 8 8 2 6 1 2 2 6 4 9 3 6 6 4 3 7 3 1 3 9 5 0 4 9 6 5 5 0 0 0 5 0 3 5 5 1 1 1 7 7 1 8 7 5 9 0 3 1 3 2 0 1 5 5 9 1 6 2 0 6 6 4 5 8 6 6 0 9 6 6 0 9 1 8 2 8 7 8 3 7 3 1 1 1 7 6 1 0 8 6 1 7 7 6 3 0 5 6 6 1 4 6 6 4 4 6 7 3 2 8 2 8 7 8 4 0 2 8 4 1 2 8 5 7 2 6 0 2 1 1 5 5 2 1 5 8 1 5 8 4 2 6 6 6 2 7 6 1 2 7 7 6 9 1 3 1 4 1 5 7 8 1 5 8 6 2 5 8 9 2 6 0 4 2 6 4 6 3 7 6 6 4 0 9 9 4 1 5 3 1 0 2 5 5 5 2 5 6 3 2 5 7 4 3 5 7 8 3 5 7 9 3 7 4 2 4 9 4 2 5 0 4 1 5 0 4 5 1 1 2 5 7 7 2 6 1 4 2 6 8 1 3 7 2 3 3 7 3 0 3 7 7 0 2 7 8 1 5 2 3 9 5 3 0 1 1 2 8 8 4 1 3 6 2 1 1 2 7 4 1 3 4 4 7 5 2 7 1 5 3 7 6 5 5 9 1 1 3 1 2 7 9 1 1 1 1 1 1 1 5 3 2 0 3 草莓生長曲線的擬合 本文研究的主要內(nèi)容是在給定草莓的平均生長條件的情況下 對紅顏草莓的生長曲線進行擬合 其 平均生長條件見表1 由于某一個時刻拍攝的圖片中包含各個生長時期的草莓 而且每個編號的草莓 缺失情況不一 同時本次擬合任務(wù)不是針對于某個個體草莓的生長 所以拍攝的時間并不能作為橫坐標 的時刻 擬合曲線的橫坐標應(yīng)該為生長時刻 也就是說不同的草莓樣本要根據(jù)自己成熟度的值去擬合 該成熟度附近的曲線 3 1 迭代擬合 該擬合問題的核心點在于拍攝照片的時刻與擬合曲線的橫軸自變量 生長時刻不是同一個含 義 也就是說不同的草莓樣本要根據(jù)其因變量的值去擬合該值附近的曲線變化情況 然而根據(jù)因變量 的值求出當前的自變量本身就需要該擬合函數(shù) 通俗地說 就是為了求函數(shù)曲線而需要點坐標 而點坐 標又需要函數(shù)曲線的確定 因此可以利用迭代的方法進行擬合 其具體步驟如下 1 將若干草莓個體的各個生長階段進行拼接 得到紅顏草莓的生長全期樣本若干 2 根據(jù)當前的若干全期生長樣本對草莓的生長情況進行擬合 得到初始生長曲線 3 對于數(shù)據(jù)集中的其他樣本 根據(jù)當前曲線反解第一個非缺失值的樣本的生長時間 根據(jù)該時間 以及其他非缺失樣本與之拍攝時刻的差值即可得到每個拍攝時刻草莓樣本對應(yīng)的生長時刻 4 根據(jù)新得到的樣本點重新擬合生長曲線 迭代更新k次 5 根據(jù)最終的擬合曲線將所有樣本轉(zhuǎn)化為成熟度 生長時刻散點圖 最后根據(jù)該散點圖進行擬 合 得到最終結(jié)果 考慮到探究的內(nèi)容為紅顏品種的草莓生長特性 并且在2 3節(jié)中對成熟度數(shù)值化的規(guī)定中也盡可 能規(guī)避了個體性狀的特殊性造成的成熟度誤差 因此 不同個體的成熟度可以反映該品種的生長特性 可以拼接后融合使用 同時在2 3節(jié)數(shù)據(jù)統(tǒng)計中提到為保證曲線呈現(xiàn)上升趨勢 對時間間隔較短的樣 本成熟度進行了調(diào)整 以減少因拍攝條件差異引起的誤差 因此 在給定初始擬合曲線后 隨著樣本點 的增加 擬合結(jié)果呈現(xiàn)上升趨勢且逐漸逼近真實曲線 最終達到迭代次數(shù)后收斂 19第2期郭鑫 等 基于Y O L O v 5模型的草莓估產(chǎn)及長勢預(yù)測研究 3 2 擬合結(jié)果評估 本文采用一元多項式擬合 神經(jīng)網(wǎng)絡(luò)擬合 2 0 以及D o u b l e B o l t z m a n n擬合方法 利用上述迭代擬 合方法得到1 7 2 8個樣本點 利用該樣本點進行回歸擬合 其中一元多項式擬合結(jié)果如圖1 0所示 圖 1 0 a 中深灰色區(qū)域為9 5 置信帶 淺灰色區(qū)域為9 5 預(yù)測帶 置信帶是指給定自變量的值后 有 9 5 的概率 該樣本預(yù)測平均值會落入置信區(qū)間內(nèi) 預(yù)測帶是指給定自變量的值后 有9 5 的概率預(yù)測 的因變量的值的會落入預(yù)測區(qū)間內(nèi) 該多項式曲線即為對紅顏草莓生長曲線的擬合結(jié)果 圖1 0 一元多項式擬合曲線及殘差圖 神經(jīng)網(wǎng)絡(luò)采用全連接神經(jīng)網(wǎng)絡(luò) 由于自變量只有一個 一般來說只需一個隱藏層即可 本文為了盡 可能找到擬合的非線性結(jié)果 采用了6個隱藏層 每層神經(jīng)元數(shù)量依次為3 4 4 5 5 3 擬合結(jié)果如圖 1 1和圖1 2所示 圖1 1 a 是針對迭代擬合出的樣本點而擬合出的非線性曲線結(jié)果 由圖1 0 b 圖1 2兩幅殘差圖可知 樣本點的誤差分布較為分散 為了進一步提高模型與實際草 莓生長曲線的擬合程度 對數(shù)據(jù)樣本進行增加 并將同一天所拍攝的三組照片所得的成熟度進行平均 以此來減小因拍攝光照角度等條件不同引起的誤差 由于對數(shù)據(jù)進行了平均處理 最終得到的樣本點 總數(shù)縮減為9 6 8個 但是其所包含的信息相比之前有所增加 采用生長模型D o u b l e B o l t z m a n n進行擬 合 擬合結(jié)果如圖1 3所示 深灰色區(qū)域為9 5 置信帶 淺灰色區(qū)域為9 5 預(yù)測帶 圖1 1 神經(jīng)網(wǎng)絡(luò)擬合曲線及結(jié)構(gòu) 利用擴充數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)擬合結(jié)果如圖1 4 a 所示 然而 對于圖1 4 a 這樣的神經(jīng)網(wǎng)絡(luò)結(jié)果 圖 可以對數(shù)據(jù)點進行一定的修正處理 由于這些樣本點都是由迭代擬合最終得到的 在所有的樣本點 29杭州電子科技大學(xué)學(xué)報 自然科學(xué)版 2 0 2 5年 圖1 2 神經(jīng)網(wǎng)絡(luò)擬合殘差圖 圖1 3 D o u b l e B o l t z m a n n擬合曲線及殘差圖 中 絕大多數(shù)點是十分接近草莓的真正生長曲線的 少部分點會出現(xiàn)比較大的誤差波動 那么可以將所 有點的自變量和因變量各自進行排序 將排序結(jié)果再用神經(jīng)網(wǎng)絡(luò)做擬合 擬合結(jié)果以及殘差圖分別如圖 1 4 b 和圖1 5所示 如此修正的前提是 絕大部分樣本點都處于接近草莓真實生長曲線的位置 樣本點 的數(shù)據(jù)量足夠多 在各個階段的樣本點數(shù)據(jù)量比例較為均衡 滿足以上條件修正擬合出的結(jié)果才有一 定的參考價值 這樣修正的好處在于保證非線性擬合所得的曲線是不減函數(shù) 符合草莓的生長因果律 而弊端也十分明顯 就本質(zhì)上而言 這是不符合邏輯的 沒有理論支撐的方法 但是 在滿足以上三點前 提的條件下 用這種修正擬合方式來近似草莓的生長曲線亦有可取之處 39第2期郭鑫 等 基于Y O L O v 5模型的草莓估產(chǎn)及長勢預(yù)測研究 圖1 4 擬合結(jié)果曲線 圖1 5 神經(jīng)網(wǎng)絡(luò)殘差 修正 由以上殘差圖可以看到 盡管對數(shù)據(jù)進行了擴增并且通過平均化來減小誤差 數(shù)據(jù)樣本點的分布殘 差依然較大 原因主要為以下兩點 1 由于Y O L O v 5 s模型訓(xùn)練得不夠充分 導(dǎo)致在對草莓個體進行成熟度預(yù)測時 不能夠更加細致 地區(qū)分相近果實之間的差異 進而不能給出十分準確的成熟度數(shù)值 2 拍攝草莓圖片的頻率較低 錯過草莓生長過程中生長幅度較大的階段 49杭州電子科技大學(xué)學(xué)報 自然科學(xué)版 2 0 2 5年 4 結(jié)束語 本文針對紅顏品種的草莓進行了圖像采集 采用Y O L O v 5目標檢測模型對草莓圖像的中的草莓目 標進行檢測 與以往對草莓成熟度的分類估計方法不同 設(shè)計了負對數(shù)倒數(shù)函數(shù)將草莓的成熟情況進行 了數(shù)值化處理 并將處理結(jié)果進行了數(shù)據(jù)統(tǒng)計 建立了紅顏品種草莓的成熟時間數(shù)據(jù)集 最終 利用迭 代擬合方法得到1 7 2 8個樣本點 利用該樣本點進行了草莓生長曲線的擬合 實驗結(jié)果表明 本文構(gòu)建 的草莓成熟期生長模型較為準確 可以對草莓從開始結(jié)果到果實成熟的全過程的生長趨勢作出預(yù)測 和分析 與其他算法如S S D C e n t e r N e t Y O L O v 3 Y O L O v 4比較 Y O L O v 5在識別精度 模型尺寸及 平均檢測速率上均表現(xiàn)較優(yōu) 提升了魯棒性 為草莓成熟度預(yù)測及估產(chǎn)技術(shù)提供了有力支持 本文 的研究方法也適用于其他品種的草莓 根據(jù)當?shù)氐姆N植條件訓(xùn)練自己種植場的漿果類水果的生長曲 線模型 參考文獻 1 W A N G A P E s t a b l i s h m e n t o f w h e a t y i e l d p r e d i c t i o n m o d e l i n d r y f a r m i n g a r e a b a s e d o n n e u r a l n e t w o r k J N e u r o Q u a n t o l o g y 2 0 1 8 1 6 6 7 6 8 7 7 5 2 Y U E Y L I J H F A N L F e t a l P r e d i c t i o n o f m a i z e g r o w t h s t a g e s b a s e d o n d e e p l e a r n i n g J C o m p u t e r s a n d E l e c t r o n i c s i n A g r i c u l t u r e 2 0 2 0 1 7 2 1 0 5 3 5 1 3 S I M H S K I M D S A H N M G e t a l P r e d i c t i o n o f s t r a w b e r r y g r o w t h a n d f r u i t y i e l d b a s e d o n e n v i r o n m e n t a l a n d g r o w t h d a t a i n a g r e e n h o u s e f o r s o i l c u l t i v a t i o n w i t h a p p l i e d a u t o n o m o u s f a c i l i t i e s J H o r t i c u l t u r a l S c i e n c e a n d T e c h n o l o g y 2 0 2 0 3 8 6 8 4 0 8 4 9 4 K I M T L E E S H K I M J O A n o v e l s h a p e b a s e d p l a n t g r o w t h p r e d i c t i o n a l g o r i t h m u s i n g d e e p l e a r n i n g a n d s p a t i a l t r a n s f o r m a t i o n J I E E E A c c e s s 2 0 2 2 1 0 3 7 7 3 1 3 7 7 4 2 5 A S H F A Q M K H A N I A L Z A H R A N I A e t a l A c c u r a t e w h e a t y i e l d p r e d i c t i o n u s i n g m a c h i n e l e a r n i n g a n d c l i m a t e N D V I d a t a f u s i o n J I E E E A c c e s s 2 0 2 4 1 2 4 0 9 4 7 4 0 9 6 1 6 Q I A O M J H E X H C H E N G X J e t a l E x p l o i t i n g h i e r a r c h i c a l f e a t u r e s f o r c r o p y i e l d p r e d i c t i o n b a s e d o n 3 D c o n v o l u t i o n a l n e u r a l n e t w o r k s a n d m u l t i k e r n e l G a u s s i a n p r o c e s s J I E E E J o u r n a l o f S e l e c t e d T o p i c s i n A p p l i e d E a r t h O b s e r v a t i o n s a n d R e m o t e S e n s i n g 2 0 2 1 1 4 4 4 7 6 4 4 8 9 7 B O S E P K A S A B O V N K B R U Z Z O N E L e t a l S p i k i n g n e u r a l n e t w o r k s f o r c r o p y i e l d e s t i m a t i o n b a s e d o n s p a t i o t e m p o r a l a n a l y s i s o f i m a g e t i m e s e r i e s J I E E E T r a n s a c t i o n s o n G e o s c i e n c e a n d R e m o t e S e n s i n g 2 0 1 6 5 4 1 1 6 5 6 3 6 5 7 3 8 楊嘉博 基于深度學(xué)習(xí)的水稻可視化生長預(yù)測方法研究 D 武漢 華中農(nóng)業(yè)大學(xué) 2 0 2 2 9 J O J S K I M D S J O W J e t a l P r e d i c t i o n o f s t r a w b e r r y f r u i t y i e l d b a s e d o n c u l t i v a r s p e c i f i c g r o w t h m o d e l s i n t h e t u n n e l t y p e g r e e n h o u s e J H o r t i c u l t u r e E n v i r o n m e n t a n d B i o t e c h n o l o g y 2 0 2 2 6 3 4 6 7 4 7 6 1 0 C H E N Y L E E W S G A N H e t a l S t r a w b e r r y y i e l d p r e d i c t i o n b a s e d o n a d e e p n e u r a l n e t w o r k u s i n g h i g h r e s o l u t i o n a e r i a l o r t h o i m a g e s J R e m o t e S e n s