茶叶嫩芽检测方法、装置、设备及存储介质

1.本发明涉及图像检测技术领域，尤其涉及一种茶叶嫩芽检测方法、装置、设备及存储介质。


背景技术：

2.中国的茶文化源远流长，茶叶的采摘是茶叶加工流程的首要任务，茶叶的采摘具有季节性的特点，人工采摘的茶叶虽然品质很高，但是人工一次只能采摘一个芽，费时费力，效率难以提升，不能满足大量需求。
3.随着科技的发展和人们对茶叶品质的严格要求，机械化采摘逐步成为采摘领域发展趋势。机械采摘虽然在一定程度上能够提升采摘效率，但是自然状态下，茶叶嫩芽的颜色会随着生长从黄绿色到深绿色转变，使得新芽与老叶难以区分，嫩芽的姿态不相同，密度大，嫩芽间也会互相遮挡，同时机械采摘时会受到天气影响，这些问题使得茶叶难以得到全面有效的检测，从而影响采摘效果。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于提供一种茶叶嫩芽检测方法、装置、设备及存储介质，旨在解决现有技术茶叶自动识别精度低下的技术问题。
6.为实现上述目的，本发明提供了一种茶叶嫩芽检测方法，所述方法包括以下步骤：
7.获取样本茶叶图像，并根据所述样本茶叶图像构建数据集；
8.对所述数据集进行标注得到训练集；
9.根据所述训练集构建初始嫩芽检测模型；
10.对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型；
11.通过所述目标嫩芽检测模型对待测茶园进行嫩芽检测。
12.可选地，所述对所述数据集进行标注得到训练集，包括：
13.通过预设标注工具对所述数据集按照茶芽类型进行标注，得到分类数据；
14.对所述分类数据进行数据增强操作，以实现数据扩充，得到训练集。
15.可选地，所述根据所述训练集构建初始嫩芽检测模型，包括：
16.通过预设目标提取网络对所述训练集进行浅层特征信息聚合，得到特征图信息；
17.通过卷积注意力机制模块对所述特征图信息进行抑制冗余背景噪声，得到去噪特征图信息；
18.通过预设特征金字塔网络对所述去噪特征图信息进行特征融合，得到目标特征图信息；
19.根据所述目标特征图信息构建初始嫩芽检测模型。
20.可选地，所述通过预设特征金字塔网络对所述去噪特征图信息进行特征融合，得
到目标特征图信息，包括：
21.通过路径聚合块对所述去噪特征图信息进行分辨率调整，得到第一特征图、第二特征图和第三特征图，其中，所述第一特征图的分辨率最低，所述第三特征图的分辨率最高，并将所述第三特征图作为基准特征图；
22.将所述第一特征图、所述第二特征图和所述第三特征图连接得到总体视图；
23.对所述总体视图进行3d卷积操作，提取得到尺度序列特征；
24.将所述尺度序列特征、所述第一特征图、所述第二特征图和所述第三特征图串联输入到预设检测模型的检测头，得到目标特征图信息。
25.可选地，所述根据所述目标特征图信息构建初始嫩芽检测模型，包括：
26.将所述目标特征信息导入预设检测模型中，得到检测数据；
27.根据所述检测数据和预设损失函数确定所述预设检测模型的优化权重参数；
28.根据所述优化权重参数对所述预设检测模型进行修改，得到优化检测模型；
29.根据所述训练集确定验证集，并通过所述验证集对所述优化检测模型进行验证，得到初始嫩芽检测模型。
30.可选地，所述将所述目标特征信息导入预设检测模型中，得到检测数据，包括：
31.将目标特征信息导入所述预设检测模型的无锚框检测头，得到嫩芽预测边界框；
32.对所述嫩芽预测边界框进行损失评估，并使用预设类别预测规则进行类别预测，得到检测数据。
33.可选地，所述对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型，包括：
34.通过正则化对所述嫩芽检测模型进行稀疏化训练，并进行通道修剪，得到修剪模型；
35.对所述修剪模型进行剪枝权重的调整，以实现模型压缩，得到目标嫩芽检测模型。
36.此外，为实现上述目的，本发明还提出一种茶叶嫩芽检测装置，所述茶叶嫩芽检测装置包括：
37.数据集构建模块，用于获取样本茶叶图像，并根据所述样本茶叶图像构建数据集；
38.数据标注模块，用于对所述数据集进行标注得到训练集；
39.模型构建模块，用于根据所述训练集构建初始嫩芽检测模型；
40.剪枝压缩模块，用于对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型；
41.嫩芽检测模块，用于通过所述目标嫩芽检测模型对待测茶园进行嫩芽检测。
42.此外，为实现上述目的，本发明还提出一种茶叶嫩芽检测设备，所述茶叶嫩芽检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的茶叶嫩芽检测程序，所述茶叶嫩芽检测程序配置为实现如上文所述的茶叶嫩芽检测方法的步骤。
43.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有茶叶嫩芽检测程序，所述茶叶嫩芽检测程序被处理器执行时实现如上文所述的茶叶嫩芽检测方法的步骤。
44.本发明获取样本茶叶图像，并根据所述样本茶叶图像构建数据集；对所述数据集进行标注得到训练集；根据所述训练集构建初始嫩芽检测模型；对所述初始嫩芽检测模型
进行剪枝压缩，得到目标嫩芽检测模型；通过所述目标嫩芽检测模型对待测茶园进行嫩芽检测。通过这种方式，实现了通过获取样本茶叶图像构建数据集并进行训练和标注，最后进行剪枝压缩，可以得到嫩芽检测模型，最后实现自动的茶叶嫩芽检测，对模型进行剪枝压缩，减少参数数量，缩短模型运行时间，便于部署与应用。采用无锚框的检测方式，无需预定义锚框，减少了计算量与超参数量，更能适应自然场景下茶叶嫩芽变化较多的情况。直接将映射区域中的有效区域视为正样本，其他视为负样本，加快训练速度，减少内存占用。
附图说明
45.图1是本发明实施例方案涉及的硬件运行环境的茶叶嫩芽检测设备的结构示意图；
46.图2为本发明茶叶嫩芽检测方法第一实施例的流程示意图；
47.图3为本发明茶叶嫩芽检测方法一实施例中的初始嫩芽检测模型结构图；
48.图4为本发明茶叶嫩芽检测方法第二实施例的流程示意图；
49.图5为本发明茶叶嫩芽检测方法一实施例中的卷积注意力机制结构图；
50.图6为本发明茶叶嫩芽检测方法一实施例中的尺度序列特征金字塔结构图；
51.图7为本发明茶叶嫩芽检测方法一实施例中的无锚框算法检测茶叶嫩芽的回归目标示例示意图；
52.图8为本发明茶叶嫩芽检测方法一实施例中的完整实施示意图；
53.图9为本发明茶叶嫩芽检测装置第一实施例的结构框图。
54.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
55.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
56.参照图1，图1为本发明实施例方案涉及的硬件运行环境的茶叶嫩芽检测设备结构示意图。
57.如图1所示，该茶叶嫩芽检测设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
58.本领域技术人员可以理解，图1中示出的结构并不构成对茶叶嫩芽检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
59.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及茶叶嫩芽检测程序。
60.在图1所示的茶叶嫩芽检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明茶叶嫩芽检测设备中的处理
器1001、存储器1005可以设置在茶叶嫩芽检测设备中，所述茶叶嫩芽检测设备通过处理器1001调用存储器1005中存储的茶叶嫩芽检测程序，并执行本发明实施例提供的茶叶嫩芽检测方法。
61.本发明实施例提供了一种茶叶嫩芽检测方法，参照图2，图2为本发明一种茶叶嫩芽检测方法第一实施例的流程示意图。
62.本实施例中，所述茶叶嫩芽检测方法包括以下步骤：
63.步骤s10：获取样本茶叶图像，并根据所述样本茶叶图像构建数据集。
64.需要说明的是，本实施例的执行主体为一个智能终端，可以为个人电脑、平板电脑、服务器或者其他具有信息处理功能的设备，本实施例对此不加以限定。
65.应理解的是，茶叶的采摘是茶叶加工流程的首要任务，茶叶的采摘具有季节性的特点，人工采摘的茶叶虽然品质很高，但是人工一次只能采摘一个芽，费时费力，效率难以提升，不能满足大量需求。随着科技的发展和人们对茶叶品质的严格要求，机械化采摘逐步成为采摘领域发展趋势。机械采摘虽然在一定程度上能够提升采摘效率，但是自然状态下，茶叶嫩芽的颜色会随着生长从黄绿色到深绿色转变，使得新芽与老叶难以区分，嫩芽的姿态不相同，密度大，嫩芽间也会互相遮挡，同时机械采摘时会受到天气影响，这些问题使得茶叶难以得到全面有效的检测，从而影响采摘效果。因此，茶叶的自动化采摘需要提升识别的精度与速度。而本实施例的方案通过获取样本茶叶图像构建数据集并进行训练和标注，最后进行剪枝压缩，可以得到嫩芽检测模型，最后实现自动的茶叶嫩芽检测，对模型进行剪枝压缩，减少参数数量，缩短模型运行时间，便于部署与应用。采用无锚框的检测方式，无需预定义锚框，减少了计算量与超参数量，更能适应自然场景下茶叶嫩芽变化较多的情况。直接将映射区域中的有效区域视为正样本，其他视为负样本，加快训练速度，减少内存占用。
66.在具体实施中，样本茶叶图像指的是用作训练数据的样本图像，可以为任意形式的茶叶的图像数据。根据样本茶叶图像构建数据集指的是通过样本茶叶图像输出并整理，用作输入初始嫩芽检测模型的数据集合。
67.步骤s20：对所述数据集进行标注得到训练集。
68.需要说明的是，进行标注指的是按照茶芽类型进行标注，从而可以将数据集中的数据进行分类，然后进行数据增强和扩充，从而得到训练集。
69.进一步的，为了得到用于模型训练的训练集，步骤s20包括：通过预设标注工具对所述数据集按照茶芽类型进行标注，得到分类数据；对所述分类数据进行数据增强操作，以实现数据扩充，得到训练集。
70.应理解的是，首先使用预设标注工具数据标注工具labelimg对样本茶叶图像的彩色图像按照茶芽类型进行标注，茶芽类型主要分为茶芽，一芽一叶，一芽两叶三种类型。然后使用镜像、旋转、缩放、随机裁剪、改变亮度这些数据增强操作对数据集进行扩充，最后将扩充完的数据集划分为训练集、验证集、测试集。
71.通过这种方式，实现了通过对数据集的处理和扩充，得到训练集，从而可以实现训练得到的初始嫩芽检测模型更加准确。
72.步骤s30：根据所述训练集构建初始嫩芽检测模型。
73.在具体实施中，根据训练集构建初始嫩芽检测模型指的是首先通过目标提取网络对训练集进行浅层特征信息聚合，然后通过卷积注意力机制模块进行抑制冗余背景噪声，
最后通过预设特征金字塔网络进行特征融合，从而可以通过最后得到的目标特征图信息构建初始嫩芽检测模型。
74.应理解的是，初始嫩芽检测模型为无锚框检测模型，所述初始嫩芽检测模型的模型还示意图如图3所示。
75.步骤s40：对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型。
76.需要说明的是，剪枝压缩操作指的是首先进行正则化，然后进行稀疏化训练，再进行通道修剪，嘴周进行剪枝权重的调整，从而得到最终的目标嫩芽检测模型。
77.进一步的，为了进行剪枝压缩提升模型部署应用能力，步骤s40包括：通过正则化对所述嫩芽检测模型进行稀疏化训练，并进行通道修剪，得到修剪模型；对所述修剪模型进行剪枝权重的调整，以实现模型压缩，得到目标嫩芽检测模型。
78.应理解的是，首先利用l1正则化方法进行稀疏化训练，，在损失函数中对bn层的γ系数添加l1正则化项，在稀疏化反向传递梯度更新γ系数时，大量γ系数值趋近于0从而达到结构稀疏的目的。
79.在具体实施中，然后对模型进行通道修剪。根据bn层γ系数的值评估通道的贡献，根据剪枝比例和γ系数保留对网络贡献度更高的通道，删除贡献度低的通道。剪枝算法的损失函数为：
[0080][0081]
其中，x、y分别是训练的输入和输出；w是网络中的训练参数；第二项是bn层γ系数的l1正则约束项；λ为惩罚因子。
[0082]
需要说明的是，最后对模型进行微调。使用剪枝后的网络调整剪枝权重，将压缩后的模型设为预训练模型进行新一轮训练，从而解决模型修剪后损失过大的问题。
[0083]
通过这种方式，实现了对模型进行剪枝压缩，减少参数数量，缩短模型运行时间，便于部署与应用。
[0084]
步骤s50：通过所述目标嫩芽检测模型对待测茶园进行嫩芽检测。
[0085]
应理解的是，当训练得到目标嫩芽检测模型之后，再将待测茶园的图像输入到目标嫩芽检测模型中，使得可以通过模型自动进行嫩芽检测，标注出待测茶园中所有的茶叶嫩芽。
[0086]
本实施例通过获取样本茶叶图像，并根据所述样本茶叶图像构建数据集；对所述数据集进行标注得到训练集；根据所述训练集构建初始嫩芽检测模型；对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型；通过所述目标嫩芽检测模型对待测茶园进行嫩芽检测。通过这种方式，实现了通过获取样本茶叶图像构建数据集并进行训练和标注，最后进行剪枝压缩，可以得到嫩芽检测模型，最后实现自动的茶叶嫩芽检测，对模型进行剪枝压缩，减少参数数量，缩短模型运行时间，便于部署与应用。采用无锚框的检测方式，无需预定义锚框，减少了计算量与超参数量，更能适应自然场景下茶叶嫩芽变化较多的情况。直接将映射区域中的有效区域视为正样本，其他视为负样本，加快训练速度，减少内存占用。
[0087]
参考图4，图4为本发明一种茶叶嫩芽检测方法第二实施例的流程示意图。
[0088]
基于上述第一实施例，本实施例茶叶嫩芽检测方法在所述步骤s30包括：
normalization层和激活函数leakyrelu组成。从总体视图中提取出的尺度序列特征与p3特征图具有相同的宽度、高度和通道数。
[0102]
最后，p5，p4两个特征图直接输入到检测头检测；p3与尺度序列特征串联在一起输入到检测头中得到目标特征图信息，串联公式为：
[0103][0104]
通过这种方式，实现了采用卷积注意力机制，通过序列化地在通道和空间两个维度上产生注意力特征图信息增强了网络的特征表达能力的同时，不会产生额外的代价。采用尺度序列特征金字塔，融合语言信息丰富的特征图，增强小样本特征的语义信息，提升网络检测精度。
[0105]
步骤s304：根据所述目标特征图信息构建初始嫩芽检测模型。
[0106]
需要说明的是，当得到了目标特征图信息之后，通过目标特征图信息对初始嫩芽检测模型进行训练和调整，从而可以得到初始嫩芽检测模型。
[0107]
进一步的，为了准确的构建初始嫩芽检测模型，步骤s304包括：将所述目标特征信息导入预设检测模型中，得到检测数据；根据所述检测数据和预设损失函数确定所述预设检测模型的优化权重参数；根据所述优化权重参数对所述预设检测模型进行修改，得到优化检测模型；根据所述训练集确定验证集，并通过所述验证集对所述优化检测模型进行验证，得到初始嫩芽检测模型。
[0108]
应理解的是，初始检测模型也为一个无锚框模型，检测数据指的是通过将目标特征信息导入得到嫩芽预测边界框，然后进行类别预测得到的。
[0109]
在具体实施中，预设损失函数指的是：对边界框预测的损失进行评估，定义边界框损失为sdiou，计算公式为：
[0110][0111]
其中，c表示能够覆盖预测框和真实框的最小区域的长度平方之和，i表示预测框和真实框重叠区域对角线长度的平方，s表示非重叠区域欧几里得距离的平方之和，ρ表示有利于重叠区域的正权衡值。
[0112]
需要说明的是，当得到优化权重参数之后，可以通过优化权重参数对预设检测模型进行优化和修改，从而可以得到优化检测模型，然后结合训练集确定的验证集，从而进行验证，将验证后的模型作为初始嫩芽检测模型。
[0113]
通过这种方式，实现了根据验证集以及损失函数对初始预测模型进行优化。
[0114]
进一步的，为了得到检测数据，将所述目标特征信息导入预设检测模型中，得到检测数据的步骤，包括：将目标特征信息导入所述预设检测模型的无锚框检测头，得到嫩芽预测边界框；对所述嫩芽预测边界框进行损失评估，并使用预设类别预测规则进行类别预测，得到检测数据。
[0115]
应理解的是，无锚框检测头包含两个并行分支：回归分支与分类分支。回归分支预测茶叶嫩芽边界框，将三个特征图分别划分出不同密度的s
×
s的方格，像素点、角点、边界框的关系为
[0116][0117]
其中，i是尺度，x、y是像素点；(x1，y1)、(x2，y2)是像素所在的小方格的左上角和右下角坐标。l
(i)*
、t
(i)*
表示(x2，y2)到边界框左边和上边的距离，r
(i)*
、b
(i)*
表示(x1，y1)到边界框右边和下面的距离。
[0118]
每个特征图上网络直接根据像素点与小方格的角点生成预测边界框，预测公式为：
[0119][0120]
其中，i是尺度；σ表示逻辑回归函数；p0和p1表示网络预测的小方格右下角点到左边界和上边界的距离，p2和p3表示网络鱼刺的小方格左上角点到右边界和下边界的距离。
[0121]
最后使用多分类逻辑回归对类别进行预测，得到检测数据，如图7为无锚框算法检测茶叶嫩芽的回归目标示例示意图，至此本实施例的完整流程实施示意图如图8所示。
[0122]
通过这种方式，实现了通过无锚框检测头进行预测边界框和回归预测，采用无锚框的检测方式，无需预定义锚框，减少了计算量与超参数量，更能适应自然场景下茶叶嫩芽变化较多的情况。直接将映射区域中的有效区域视为正样本，其他视为负样本，加快训练速度，减少内存占用。
[0123]
本实施例通过预设目标提取网络对所述训练集进行浅层特征信息聚合，得到特征图信息；通过卷积注意力机制模块对所述特征图信息进行抑制冗余背景噪声，得到去噪特征图信息；通过预设特征金字塔网络对所述去噪特征图信息进行特征融合，得到目标特征图信息；根据所述目标特征图信息构建初始嫩芽检测模型。通过这种方式，采用卷积注意力机制，通过序列化地在通道和空间两个维度上产生注意力特征图信息增强了网络的特征表达能力的同时，不会产生额外的代价。采用尺度序列特征金字塔，融合语言信息丰富的特征图，增强小样本特征的语义信息，提升网络检测精度。
[0124]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有茶叶嫩芽检测程序，所述茶叶嫩芽检测程序被处理器执行时实现如上文所述的茶叶嫩芽检测方法的步骤。
[0125]
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不一一赘述。
[0126]
参照图9，图9为本发明茶叶嫩芽检测装置第一实施例的结构框图。
[0127]
如图9所示，本发明实施例提出的茶叶嫩芽检测装置包括：
[0128]
数据集构建模块10，用于获取样本茶叶图像，并根据所述样本茶叶图像构建数据集。
[0129]
数据标注模块20，用于对所述数据集进行标注得到训练集。
[0130]
模型构建模块30，用于根据所述训练集构建初始嫩芽检测模型。
[0131]
剪枝压缩模块40，用于对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型。
[0132]
嫩芽检测模块50，用于通过所述目标嫩芽检测模型对待测茶园进行嫩芽检测。
[0133]
本实施例通过获取样本茶叶图像，并根据所述样本茶叶图像构建数据集；对所述数据集进行标注得到训练集；根据所述训练集构建初始嫩芽检测模型；对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型；通过所述目标嫩芽检测模型对待测茶园进行嫩芽检测。通过这种方式，实现了通过获取样本茶叶图像构建数据集并进行训练和标注，最后进行剪枝压缩，可以得到嫩芽检测模型，最后实现自动的茶叶嫩芽检测，对模型进行剪枝压缩，减少参数数量，缩短模型运行时间，便于部署与应用。采用无锚框的检测方式，无需预定义锚框，减少了计算量与超参数量，更能适应自然场景下茶叶嫩芽变化较多的情况。直接将映射区域中的有效区域视为正样本，其他视为负样本，加快训练速度，减少内存占用。
[0134]
在一实施例中，所述数据标注模块20，还用于通过预设标注工具对所述数据集按照茶芽类型进行标注，得到分类数据；对所述分类数据进行数据增强操作，以实现数据扩充，得到训练集。
[0135]
在一实施例中，所述模型构建模块30，还用于通过预设目标提取网络对所述训练集进行浅层特征信息聚合，得到特征图信息；通过卷积注意力机制模块对所述特征图信息进行抑制冗余背景噪声，得到去噪特征图信息；通过预设特征金字塔网络对所述去噪特征图信息进行特征融合，得到目标特征图信息；根据所述目标特征图信息构建初始嫩芽检测模型。
[0136]
在一实施例中，所述模型构建模块30，还用于通过路径聚合块对所述去噪特征图信息进行分辨率调整，得到第一特征图、第二特征图和第三特征图，其中，所述第一特征图的分辨率最低，所述第三特征图的分辨率最高，并将所述第三特征图作为基准特征图；将所述第一特征图、所述第二特征图和所述第三特征图连接得到总体视图；对所述总体视图进行3d卷积操作，提取得到尺度序列特征；将所述尺度序列特征、所述第一特征图、所述第二特征图和所述第三特征图串联输入到预设检测模型的检测头，得到目标特征图信息。
[0137]
在一实施例中，所述模型构建模块30，还用于将所述目标特征信息导入预设检测模型中，得到检测数据；根据所述检测数据和预设损失函数确定所述预设检测模型的优化权重参数；根据所述优化权重参数对所述预设检测模型进行修改，得到优化检测模型；根据所述训练集确定验证集，并通过所述验证集对所述优化检测模型进行验证，得到初始嫩芽检测模型。
[0138]
在一实施例中，所述模型构建模块30，还用于将目标特征信息导入所述预设检测
模型的无锚框检测头，得到嫩芽预测边界框；对所述嫩芽预测边界框进行损失评估，并使用预设类别预测规则进行类别预测，得到检测数据。
[0139]
在一实施例中，所述剪枝压缩模块40，还用于通过正则化对所述嫩芽检测模型进行稀疏化训练，并进行通道修剪，得到修剪模型；对所述修剪模型进行剪枝权重的调整，以实现模型压缩，得到目标嫩芽检测模型。
[0140]
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
[0141]
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
[0142]
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的茶叶嫩芽检测方法，此处不再赘述。
[0143]
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0144]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0145]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0146]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种茶叶嫩芽检测方法，其特征在于，所述茶叶嫩芽检测方法包括：获取样本茶叶图像，并根据所述样本茶叶图像构建数据集；对所述数据集进行标注得到训练集；根据所述训练集构建初始嫩芽检测模型；对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型；通过所述目标嫩芽检测模型对待测茶园进行嫩芽检测。2.如权利要求1所述的方法，其特征在于，所述对所述数据集进行标注得到训练集，包括：通过预设标注工具对所述数据集按照茶芽类型进行标注，得到分类数据；对所述分类数据进行数据增强操作，以实现数据扩充，得到训练集。3.如权利要求1所述的方法，其特征在于，所述根据所述训练集构建初始嫩芽检测模型，包括：通过预设目标提取网络对所述训练集进行浅层特征信息聚合，得到特征图信息；通过卷积注意力机制模块对所述特征图信息进行抑制冗余背景噪声，得到去噪特征图信息；通过预设特征金字塔网络对所述去噪特征图信息进行特征融合，得到目标特征图信息；根据所述目标特征图信息构建初始嫩芽检测模型。4.如权利要求3所述的方法，其特征在于，所述通过预设特征金字塔网络对所述去噪特征图信息进行特征融合，得到目标特征图信息，包括：通过路径聚合块对所述去噪特征图信息进行分辨率调整，得到第一特征图、第二特征图和第三特征图，其中，所述第一特征图的分辨率最低，所述第三特征图的分辨率最高，并将所述第三特征图作为基准特征图；将所述第一特征图、所述第二特征图和所述第三特征图连接得到总体视图；对所述总体视图进行3d卷积操作，提取得到尺度序列特征；将所述尺度序列特征、所述第一特征图、所述第二特征图和所述第三特征图串联输入到预设检测模型的检测头，得到目标特征图信息。5.如权利要求3所述的方法，其特征在于，所述根据所述目标特征图信息构建初始嫩芽检测模型，包括：将所述目标特征信息导入预设检测模型中，得到检测数据；根据所述检测数据和预设损失函数确定所述预设检测模型的优化权重参数；根据所述优化权重参数对所述预设检测模型进行修改，得到优化检测模型；根据所述训练集确定验证集，并通过所述验证集对所述优化检测模型进行验证，得到初始嫩芽检测模型。6.如权利要求5所述的方法，其特征在于，所述将所述目标特征信息导入预设检测模型中，得到检测数据，包括：将目标特征信息导入所述预设检测模型的无锚框检测头，得到嫩芽预测边界框；对所述嫩芽预测边界框进行损失评估，并使用预设类别预测规则进行类别预测，得到检测数据。
7.如权利要求1所述的方法，其特征在于，所述对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型，包括：通过正则化对所述嫩芽检测模型进行稀疏化训练，并进行通道修剪，得到修剪模型；对所述修剪模型进行剪枝权重的调整，以实现模型压缩，得到目标嫩芽检测模型。8.一种茶叶嫩芽检测装置，其特征在于，所述茶叶嫩芽检测装置包括：数据集构建模块，用于获取样本茶叶图像，并根据所述样本茶叶图像构建数据集；数据标注模块，用于对所述数据集进行标注得到训练集；模型构建模块，用于根据所述训练集构建初始嫩芽检测模型；剪枝压缩模块，用于对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型；嫩芽检测模块，用于通过所述目标嫩芽检测模型对待测茶园进行嫩芽检测。9.一种茶叶嫩芽检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的茶叶嫩芽检测程序，所述茶叶嫩芽检测程序配置为实现如权利要求1至7中任一项所述的茶叶嫩芽检测方法。10.一种存储介质，其特征在于，所述存储介质上存储有茶叶嫩芽检测程序，所述茶叶嫩芽检测程序被处理器执行时实现如权利要求1至7任一项所述的茶叶嫩芽检测方法。

技术总结
本发明属于图像检测技术领域，公开了一种茶叶嫩芽检测方法、装置、设备及存储介质。该方法包括：获取样本茶叶图像，并根据所述样本茶叶图像构建数据集；对所述数据集进行标注得到训练集；根据所述训练集构建初始嫩芽检测模型；对所述初始嫩芽检测模型进行剪枝压缩，得到目标嫩芽检测模型；通过所述目标嫩芽检测模型对待测茶园进行嫩芽检测。通过上述方式，采用无锚框的检测方式，无需预定义锚框，减少了计算量与超参数量，更能适应自然场景下茶叶嫩芽变化较多的情况。直接将映射区域中的有效区域视为正样本，其他视为负样本，加快训练速度，减少内存占用。减少内存占用。减少内存占用。


技术研发人员：阮靖琳 胡婧 吴素崟 樊闯 王周璞
受保护的技术使用者：武汉轻工大学
技术研发日：2023.04.20
技术公布日：2023/8/9