一种基于自监督对比学习的青桔检测方法及计算机装置

本发明涉及青桔检测领域，具体涉及一种基于自监督对比学习的青桔检测方法及计算机装置。

背景技术：

1、近年来，深度学习的发展使得目标检测在诸多场景下表现优异。

2、如现有技术cn114998704a公开的一种基于yolov5的瑕疵目标检测方法，包括图像的获取：用户利用图像采集设备对目标对象进行图像采集，并将采集到的图像按照pascalvoc数据集的格式将图片命名。该方案通过对yolov5算法做出了进一步的改进，更好的平衡不同尺度的特征信息；针对密集、相互遮挡的小目标，使用varifocalloss来训练密集目标，使得网络模型面对大面积聚簇重叠的目标时，能够准确识别。对物体自身现状颜色变化、复杂自然环境条件等也有较好的鲁棒性。

3、但针对某些目标的检测，例如青桔的检测，由于青桔果实的颜色与背景树叶相近，果树的伪装极大增加了模型的识别难度，采用现有的目标检测算法无法对青桔果实进行有效准确的检测。

技术实现思路

1、本发明的目的在于克服现有技术的缺点，提供一种基于自监督对比学习的青桔检测方法及计算机装置，实现了在伪装环境下对青桔果实的检测，提高了检测结果的准确性。

2、本发明采取如下技术方案实现上述目的，第一方面，本发明提供一种基于自监督对比学习的青桔检测方法，包括：

3、s1、青桔数据集采集；

4、采集不同角度、不同距离以及不同光照背景下的青桔果实图像数据作为数据集a，同时采集无青桔果树背景下的青桔果实图像数据，以及无青桔果实背景下的青桔果树图像数据作为数据集b；

5、s2、对数据集a进行标注；

6、s3、数据处理；

7、对标注后的数据进行随机角度旋转、亮度调整、对比度增强、色度锐度增强以及添加噪声的数据增强操作，添加噪声的过程中，在矩形检测框内添加高斯噪声和椒盐噪声，在矩形检测框外添加彩色噪声与运动模糊噪声；

8、s4、自监督对比学习；

9、通过simclr模块将数据集b中的无青桔果树背景下的青桔果实图像数据，以及无果实背景下的青桔果树图像数据构建为正负样本对，随后使用对比损失函数对两个分支网络的特征提取器进行更新和优化，优化后采用针对青桔边缘轮廓的特征提取网络作为特征提取器，提取后的特征通过dense模块处理，dense模块作为simclr的投影头将提取的特征放入低维空间进行对比，最终在infonce对比损失的指导下使用nt-xent完成训练并保存模型权重；

10、特征提取网络采用yolov11-go网络模型，在yolov11-go网络模型的下采样过程中，将其主干网络及颈部网络中的c3k2层替换为dccv-c3k2，并将yolov11-go网络模型的四个输出通道压缩至256，第二特征层的输出经过一个卷积块处理后，与经过c3k2模块、卷积块和上采样处理的第三特征层特征图相结合，再通过一个c3k2模块，形成第二特征层的最终输出，在颈部网络输出特征之后，加入basicrfb模块，basicrfb模块基于inception模式，结合多卷积并行和空洞卷积技术，其包含3个分支和一个残差结构，各分支分别由不同类型的卷积块组成，最终将特征整合至检测头；

11、s5、自监督对比学习训练；

12、将部分标正负样本对在simclr模块进行训练，模型训练完成后，将得到的模型权重加载到yolov11-go网络模型中，将剩余部分的正负样本对送入yolov11-go网络模型的主干网络进行特征提取，输出多个特征层，多个特征层捕捉不同尺度的目标信息后，经由颈部网络整合，通过特征融合和上采样操作增强特征表示，接下来，融合后的特征图通过检测头生成目标检测的边界框信息，最后应用soft-nms去除冗余的预测框，只保留置信度大于设置值的检测结果，最终输出边界框坐标、类别置信度和分类标签，形成完整的青桔目标检测结果；

13、通过损失函数对青桔目标检测结果进行评判；

14、在yolov11-go网络模型中，采用siou 损失函数，siou 损失函数由iou损失，距离损失，角度损失，形状损失组合而成，其公式如下：

15、；

16、式中，是平衡各损失项的重要性系数，是预测框和真实框的交并比，表示预测框和真实框的中心点距离之间的损失，用于衡量预测框和真实框的长宽比差异，表示预测框和真实框间的角度损失；

17、s6、设置yolov11-go网络模型的迭代次数、批次大小以及初始学习率，通过标注的数据进行迭代训练，最后通过训练完成的yolov11-go网络模型进行青桔检测。

18、进一步的是，步骤s2中，对采集的数据标注时，通过labelme图像标注工具对图像中所有遮挡率小于95%，露出超过10像素点的青桔果实图像与青桔果树图像使用矩形检测框进行标注。

19、进一步的是，步骤s3还包括：

20、通过albumentations库调整数据增强操作后矩形检测框的位置，使得矩形检测框的坐标同步增强和调整。

21、进一步的是，步骤s4中，根据采集的无青桔果树背景下的青桔果实图像数据，以及无果实背景下的青桔果树图像数据构建正负样本对之前，还包括：

22、通过sobel滤波、裁剪、剪切以及颜色失真对该青桔果实图像数据以及青桔果树图像数据分别进行不同的数据增强。

23、第二方面，本发明提供一种计算机装置，包括存储器，所述存储器存储有程序指令，所述程序指令运行时，执行上述所述的基于自监督对比学习的青桔检测方法。

24、本发明的有益效果为：

25、本发明采用自监督对比学习的方法增强模型的特征提取能力，将采集的无青桔果树背景下的青桔果实图像数据，以及无果实背景下的青桔果树图像数据构建为正负样本对，通过正负样本对进行对比学习，能够实现模型权重的重新分配，增强模型在伪装环境下的检测能力，最后设置损失函数、模型的迭代次数、批次大小以及初始学习率，通过标注的数据进行迭代训练，最后通过训练完成的yolov11-go网络模型进行青桔检测，极大地提高了伪装环境下的青桔检测能力。

技术特征：

1.一种基于自监督对比学习的青桔检测方法，其特征在于，包括：

2.根据权利要求1所述的基于自监督对比学习的青桔检测方法，其特征在于，步骤s2中，对数据集a进行标注时，通过labelme图像标注工具对图像中所有遮挡率小于95%，露出超过10像素点的青桔果实图像与青桔果树图像使用矩形检测框进行标注。

3.根据权利要求1所述的基于自监督对比学习的青桔检测方法，其特征在于，步骤s3还包括：

4.根据权利要求1所述的基于自监督对比学习的青桔检测方法，其特征在于，步骤s4中，根据采集的无青桔果树背景下的青桔果实图像数据，以及无果实背景下的青桔果树图像数据构建正负样本对之前，还包括：

5.一种计算机装置，包括存储器，所述存储器存储有程序指令，其特征在于，所述程序指令运行时，执行如权利要求1-4任意一项所述的基于自监督对比学习的青桔检测方法。

技术总结本发明涉及青桔检测领域，具体涉及一种基于自监督对比学习的青桔检测方法及计算机装置。本发明采用自监督对比学习的方法增强模型的特征提取能力，将采集的无青桔果树背景下的青桔果实图像数据，以及无果实背景下的青桔果树图像数据构建为正负样本对，通过正负样本对进行对比学习，能够实现模型权重的重新分配，增强模型在伪装环境下的检测能力，最后设置损失函数、模型的迭代次数、批次大小以及初始学习率，通过标注的数据进行迭代训练，最后通过训练完成的YOLOv11‑go网络模型进行青桔检测，极大地提高了伪装环境下的青桔检测能力。本发明适用于青桔果实检测。技术研发人员：王先垚,陈晓燕,黄雨桐,徐玮泽,蔡丽萍,刘馨遥,牟迪,徐子扬,路正阳,郭纯杰受保护的技术使用者：四川农业大学技术研发日：技术公布日：2024/12/23