技术特征：
1.一种同色系背景下目标果实识别方法，其特征在于，包括：获取待识别的果园环境图像；利用预先训练好的识别模型对待识别的果园环境图像进行处理，获得目标果实识别结果；其中，所述预先训练好的识别模型由训练集训练得到，所述训练集包括多张果园环境图像以及标注果园环境图像中目标果实的标签；其中，利用预先训练好的识别模型对待识别的果园环境图像进行处理时，对提取的图像特征加入空间位置补码，补充损失信息。2.根据权利要求1所述的同色系背景下目标果实识别方法，其特征在于，训练识别模型包括：将训练集经过深度卷积神经网络处理，提取特征，构建稀疏变压器模型处理特征，经前馈神经网络处理，输出最终检测结果；输入测试样本，使用评估指标评价获得的检测结果，根据评估结果调整模型的参数，重复训练改进模型，直至获得最优网络模型。3.根据权利要求2所述的同色系背景下目标果实识别方法，其特征在于，使用单反相机采集不同光照、不同时间段、不同角度下的绿色目标果实图像；使用小目标增强技术，将图像中小于预设像素的目标果实进行复制，以此来扩充样本，进行分类标注，构建数据集；将扩充完成的数据集分为训练集、验证集和测试集。4.根据权利要求2所述的同色系背景下目标果实识别方法，其特征在于，构建的稀疏变压器模型的编码器包括：使用空洞自注意力模块代替transformer机制中处理特征映射的注意力模块；将图像特征经过处理降维，加入空间位置补码，补充损失信息，输入空洞自注意机制与残差模块和正则化层，处理图像特征，再经过前馈神经网络与残差模块和正则化层输出编码器结果。5.根据权利要求4所述的同色系背景下目标果实识别方法，其特征在于，构建的稀疏变压器模型的解码器包括：将编码器学习到的参数输入空洞自注意机制与残差模块和正则化层，处理参数，将处理的结果输入到多头自注意机制与残差模块和正则化层，再经前馈神经网络与残差模块和正则化层处理得到检测结果。6.根据权利要求5所述的同色系背景下目标果实识别方法，其特征在于，所述前馈神经网络通过一个带有relu激活函数和隐藏维数的多层感知器，以及一个线性投影层来计算结果。7.根据权利要求2所述的同色系背景下目标果实识别方法，其特征在于，使用匈牙利损失函数以及softmax损失函数构建最终损失函数，优化网络模型，进行模型训练。8.一种同色系背景下目标果实识别系统，其特征在于，包括：获取模块，用于获取待识别的果园环境图像；识别模块，用于利用预先训练好的识别模型对待识别的果园环境图像进行处理，获得目标果实识别结果；其中，所述预先训练好的识别模型由训练集训练得到，所述训练集包括多张果园环境图像以及标注果园环境图像中目标果实的标签；其中，利用预先训练好的识别模型对待识别的果园环境图像进行处理时，对提取的图像特征加入空间位置补码，补充损失信息。9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用
于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的同色系背景下目标果实识别方法。10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的同色系背景下目标果实识别方法的指令。
技术总结
本发明提供一种同色系背景下目标果实识别方法及系统，属于计算机视觉技术领域，获取待识别的果园环境图像；利用预先训练好的识别模型对待识别的果园环境图像进行处理，获得目标果实识别结果；其中，利用预先训练好的识别模型对待识别的果园环境图像进行处理时，对提取的图像特征加入空间位置补码，补充损失信息。本发明使用Sparse-transformer编码器-解码器模型，解决果实采摘机器人的视觉系统果实检测效率较差、小目标不敏感的问题；精度高、速度快，较好的满足果实采摘机器人、产量预测等农业需求；使用小目标增强技术扩充样本空间，很好的适应小样本数据集，泛化能力强。泛化能力强。泛化能力强。
技术研发人员：贾伟宽 孟虎 卢宇琪 贾艺鸣 牛屹
受保护的技术使用者：山东师范大学
技术研发日：2021.10.21
技术公布日：2022/3/14