基于YOLOv5模型的草莓估产及长势预测研究.pdf

第4 5卷第2期杭州电子科技大学学报 自然科学版 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模型的草莓估产及长势预测研究 郭 鑫 张可怡 潘昊晨 董佳明 李 真 杭州电子科技大学自动化学院 浙江杭州3 1 0 0 1 8 收稿日期 2 0 2 3 1 1 3 0 基金项目 国家自然科学基金项目 6 2 0 7 3 1 1 1 省属高校基本科研业务费 卓越科研育人 专项 G K 2 3 9 9 0 9 2 9 9 0 0 1 4 0 7 作者简介 郭鑫 1 9 9 8 男 硕士研究生 研究方向 目标检测 迭代学习 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 实验师 研究方向 实验室管理及实验教学 E m a i l l z 8 6 5 0 4 8 8 4 0 1 6 3 c o m 摘要 传统的草莓成熟预测方法主要是依据种植人员的专业知识与经验 对不同品种草莓生长过 程的不同阶段进行观察和检测 从而估计草莓的成熟情况 但这种方法效率偏低 针对该问题 本 文首先依据草莓成熟度的国家标准 并在此标准下 将草莓的成熟情况进一步细化 然后建立了 草莓数据集 训练了Y O L O v 5目标检测模型 利用该模型对草莓的成熟情况进行数值化 并将数值 化结果进行了统计 对数据进行处理得到了样本点 最后 分别利用一元多项式回归 神经网络回 归以及D o u b l e B o l t z m a n n拟合方式 得到1 7 2 8个样本点 对指定生长条件下的红颜草莓生长曲线 进行了回归拟合 并对结果进行了对比分析 实验结果表明 本文构建的草莓成熟期生长模型较 为准确 可以对草莓从开始结果到果实成熟的全过程的生长趋势作出预测和分析 关键词 草莓检测 成熟度量化 曲线拟合 神经网络 中图分类号 T P 3 9 1 文献标志码 A 文章编号 1 0 0 1 9 1 4 6 2 0 2 5 0 2 0 0 8 3 1 4 0 引 言 近年来 随着草莓的市场需求逐步扩大以及我国大棚技术的进一步推广 草莓的种植面积不断增 加 在现代化科学种植方法的指导下 草莓种植过程中发生大面积病虫害等问题已比较少见 当前种 植者更关心的问题是草莓的成熟情况 以及何时组织人员进行采摘可以达到最佳的效果 目前 草莓成 熟的预估大多依靠专业种植人员的人眼观察 这种方式缺点明显 知识和经验要求过高 判断结果有较 强的主观性和局限性 而且效率低下 难以对大面积种植区域草莓整体的成熟情况进行较为准确的 评估 近年来随着人工智能研究的进一步发展和深入 深度学习技术取得了长足的进步 国内外学者纷纷 将其运用到作物生长以及相关领域中 对分析复杂的农作物生长问题取得了较为理想的效果 1 7 杨嘉 博等 8 利用深度学习技术 通过数据驱动的方式 自动学习水稻图像大数据中蕴含的生长规律 实现水 稻的可视化生长预测 其提出的预测模型对实验条件下稀疏种植的水稻具有较好的预测能力 但因其不 具备复杂环境下分离单株水稻图像的能力 对收集的图像要求较高 在种植密集的水稻田中预测能力不 足 因此该方法并不适用于密集种植的草莓的生长预测 J o等 9 使用草莓植株的叶片长度 冠径和生 长过程中受到的红光和远红光之比等作为草莓生长情况的预测因子 通过多元线性回归对草莓的产量 进行预测 这种方法可以较有效地预测草莓植株的产量 但缺乏对于草莓个体的成熟度 大小和重量的 预测 在指导不同阶段的草莓养护种植策略上有所欠缺 C h e n等 1 0 使用基于区域的卷积神经网络开 发了一种人工和时间成本最小的草莓花自动检测系统 通过计算一定范围内草莓花朵 成熟草莓 未成 熟草莓的数量来预估草莓未来的产量 但该研究主要关注草莓花朵的检测及产量预估 对于这些检测目 标和未来草莓产量的关系研究不充分 没有建立相对有效的产量预测模型 并没有分析预测草莓成熟时 间 无法起到指导采摘时间的作用 A n等 1 1 以Y O L O X模型为基础 采用自主设计的特征提取模块 C 3 H B取代了骨干网原有的C S P块 嵌入归一化注意模块 并利用最新的S I O U目标损失函数提高检 测模型的预测精度 最终实现了草莓果实在五种生长状态下的监测 可以较好地分辨出草莓的生长阶 段 但其不具有对草莓生长的预测能力 对草莓未来的生长趋势预测能力较弱 李鹏程 1 2 挑选出多种 影响草莓生长的外部因素 在光照 温度 湿度不变的条件下使用碰撞算法筛选出与草莓生长情况关联 最大的外部因素 并使用B P神经网络构建了多要素相互碰撞的生长模型 然而该预测模型是基于光 照 温度 湿度不变的条件 当这些基本量发生变化时将影响预测模型的准确率 且模型是基于草莓生长 的外部因素得到的 没有直接对草莓本身进行研究 其与草莓生长的相关性弱于直接研究草莓本身 也 不能预测草莓处于何种的生长阶段 对不同阶段草莓种植养护的指导意义较弱 倪子凡等 1 3 提出一种 改进的L o g i s t i c曲线模型来定量分析草莓生长周期中累积重量的增长过程 并使用草莓实验数据集拟 合曲线模型 但该模型不能预测草莓处于何种生长期中 无法将生长期与草莓重量对应 对于不同的草 莓种植阶段的指导意义不强 而且使用L o g i s t i c生长曲线进行拟合预测 其本身难以解释变量之间的内 在机理 只能描述变量随时间的统计规律 遇到特殊个体时其预测效果较差 另外 其使用的草莓数据集 具有局限性 当草莓种植方法改变时需要重新拟合 李杨等 1 4 基于Y O L O v 5目标检测算法 对草莓不 同生长阶段的图片进行标注和训练 得到可以区分草莓生长阶段的目标检测模型 用于指导农户开展生 产管理和预估 但是该模型只将草莓的生长阶段分为6种 对草莓生长阶段的预测会集中于这些生长阶 段点 而草莓生长是个连续的过程 草莓生长阶段应更多位于相邻两个生长阶段之间 所以这种模型只 能确定大致的草莓生长阶段 并不能进行准确的预测 本文相比上述生长预测的研究 具有更多优势 首先本文利用Y O L O v 5对采集的图片中的草莓进 行不同生长阶段的目标检测 与其他目标检测算法如S S D C e n t e r N e t Y O L O v 3 Y O L O v 4相比较 Y O L O v 5的特征提取效果更加优异 并且计算速度较快 适合实时检测 在检测到草莓并得到其生长 阶段的识别结果后进行草莓成熟度量化评估 对草莓生长曲线进行拟合 得到草莓成熟度与生长日期的 关系 进而对草莓的生长趋势进行预测 本文研究所得到的模型可以帮助种植者客观地评价一片区域 内的草莓成熟情况 并对该区域草莓的成熟情况做出一定的分析指导 有利于提高生产效益和经济效 益 加快农业数字化建设 助力智慧农业建设 1 标准确定及总体方案设计 1 1 草莓生长期的划分以及成熟度标准值的确定 对于草莓成熟的界定标准 根据中华人民共和国农业部2 0 0 9年颁布的 草莓等级规格 中标准定义 将成熟草莓分为特级 一级和二级三个等级 1 5 对草莓的目标检测及成熟度预估的文献 1 6 1 8 均将草 莓的成熟情况划分为各个等级 分别改进不同的模型对草莓数据集进行目标检测模型训练 提高了在不 图1 草莓成熟情况展示 同背景下草莓检测分类的准确率 通过查阅文献 1 4 以及与草莓种植者的交流了解 到 草莓的生长阶段大致可分为以下六个时期 绿熟前期 b e f o r e g r e e n 绿熟期 g r e e n 白熟期 w h i t e 转色期 t r a n s f o r m 红熟期 r e d 溃烂期 b a d 本文研究的 草莓生长预测以绿熟前期作为基准点 5 以草莓成熟 溃烂发霉作为终点 1 0 0 六个时期的草莓样例展示 如图1所示 其从左到右 从上到下分别是绿熟前期 绿 熟期 白熟期 转色期 红熟期 溃烂期的草莓样例 草莓图片数据采集地是浙江省杭州市余杭区的彭公 数字农业产业园 根据该农庄的种植者介绍以及对所采 集数据的初步分析 从草莓的小浆果 绿熟前期 长到绿 48杭州电子科技大学学报 自然科学版 2 0 2 5年 熟期阶段大概需1 0 d 从绿熟期到白熟期大概需1 0 d 再经过1 0 d到达转色期 再经过5 d到达成熟期 最后经过5 d左右到达溃烂期 总生长周期约为4 0 d 根据红颜草莓的生长特性 按照生长时间的长 短划分成熟度 同时考虑到为避免张量运算中除数为零 将绿熟前期 b e f o r e g r e e n 绿熟期 g r e e n 白 熟期 w h i t e 转色期 t r a n s f o r m 红熟期 r e d 溃烂期 b a d 的标准成熟度分别规定为 5 2 5 5 0 7 0 8 5 1 0 0 中国农业草莓行业标准N Y T 4 4 4 2 0 0 1规定 1 9 如果草莓的着色率超过 7 0 即可进行采摘食用 因此根据本文所采用的成熟度标定规定红颜草莓最佳采摘阶段为成熟度 8 0 8 7 1 2 总体方案 本文总体方案如图2所示 使用固定相机或者其他拍摄工具进行草莓图片的拍摄 距离草莓约5 0 6 0 c m的位置进行拍摄 使用l a b e l I m g对图片进行标注并保存为Y O L O数据集格式 制作草莓目标 检测数据集 采用数据增强的方式扩展数据集 使用Y O L O v 5 s模型进行训练草莓目标检测模型 采用 1 l o g归一化对草莓的成熟情况进行数字化处理 使用迭代拟合和神经网络方法生成草莓生长拟合 模型 展示预测结果为现实种植所用 图2 系统整体框图 2 数据集的建立 2 1 数据采集与数据增强 为了采集到不同环境条件下的草莓图片 得到草莓生长环境的平均情况 分别在不同的天气环境下 去对草莓进行了拍摄 不同时间拍摄草莓的环境条件如表1所示 对1 0 0株红颜草莓进行了序号标记 并在序号旁边附以黑色正方块作为参照物如图1所示 以便对 每株草莓上的每颗果实进行定位匹配 便于数据标注过程中对草莓的生长阶段进行较为准确的判断 表1 红颜草莓的生长环境 时间 月 日 时 辐射 W m 2 辐累 M J m 2 温度 土温 照度 l u x湿度 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 草莓数据集是使用智能手机 R e d m i K 4 0 的内置相机拍摄的 所拍图片的分辨率为3 0 0 0 4 0 0 0 像素 在距离草莓约5 0 6 0 c m的位置 每隔5 d对草莓拍摄三次 每次拍摄间隔时长为3 h 为了确保 数据集样本的多样性 同时减少由于拍摄当天的天气 光照 湿度等环境条件所造成的误差 分别在 不同的天气和光照条件下拍摄了3 0 0 0多个不同生长状态的草莓 并使用J P G格式进行了存储 使 用注释工具l a b e l I m g对获得的数据集进行注释 标注结果如图3所示 并将其保存为Y O L O数据集 格式 58第2期郭鑫 等 基于Y O L O v 5模型的草莓估产及长势预测研究 图3 数据集标注结果 标注标准如下 1 绿熟前期 b e f o r e g r e e n 萼片将草莓包裹覆盖达到一半及以上 2 绿熟期 g r e e n 草莓整体呈现鲜绿色 萼片仅包裹草莓果梗附近的小部分 3 白熟期 w h i t e 草莓整体呈现 白色或淡绿色 4 转色期 t r a n s f o r m 草莓出现一定面积的红色 5 红熟期 r e d 草莓整体为亮红 色 果实整体饱满 6 溃烂期 b a d 草莓整体为红色 局部出现暗红色甚至溃烂或伴有白色霉菌 这 是由于草莓被霉菌侵染造成的 称为白粉病 但一般在草莓未生长成熟前患病概率很小 而长至成熟后 未及时采摘 其染上霉菌的概率大大增加 故将其归为溃烂期 未及时采摘的生长末期 Y O L O v 5模型的输入端使用M o s a i c数据增强操作 以提升模型的训练速度和网络的精度 M o s a i c D a t a E n h a n c e m e n t利用四张图片 并且按照随机缩放 随机裁剪和随机排布的方式对四张图片 进行拼接 每一张图片都有其对应的框 将四张图片拼接之后就获得一张新的图片 同时也获得这张 图片对应的框 该方法拓展了检测物体的背景情况 且在标准化B N计算时计算四张图片的数据 训 练效率有所提升 同时由于这种数据增强方式的存在使得模型训练过程对批次大小依赖程度降低 M o s a i c数据增强过程示意图如图4所示 2 2 目标检测模型训练与评估 将每颗草莓果实的成熟情况数值化的过程中 为了避免人工赋值的主观性 本文训练了Y O L O v 5 目标检测模型 使用该目标检测模型对草莓果实的成熟度进行量化 量化的前提是对图片进行目标检 测 并对目标进行合理的分类 用于制作数据集拍摄的草莓图片共9 0 0张 对其中1 8 0张进行标注 其 68杭州电子科技大学学报 自然科学版 2 0 2 5年 图4 M o s a i c数据增强 中1 0 0张用作训练集 8 0张用作测试集 考虑到本数据集较小 而数据集中密集型小目标的占比也比 较小 同时对后续的成熟度数值化估计要求该模型不能具有相当高的检测精度 因此本文选用模型参数 相对较少的Y O L O v 5 s模型进行训练 在Y O L O v 5模型中的Y O L O v 5 s预训练模型的基础上对训练集 训练1 0 0 e p o c h s 训练结果如图5 6 7 8所示 图5是训练完成后的混淆矩阵 Y O L O v 5模型的可视化结果中在原 有的标签类中加入了b a c k g r o u n d背景类 并将该类的预测情况一并显示到了混淆矩阵中 由混淆矩阵 可以看出 模型对绿熟期和白熟期的草莓分类容易混淆 这是由于模型训练得不够充分造成的情况 而 这种情况正是对草莓成熟度量化所需要的结果 对红熟期和溃烂期的草莓分类也很容易混淆 甚至所 有的溃烂期样本几乎全部被分类为红熟期 造成这种情况的原因一方面是由于数据集中溃烂期的草莓 样本数目较少 另一方面是由于训练迭代次数不够 对其的特征学习不够充分 对于其他生长时期的草 莓数据该模型已经达到了很好的训练结果 对于生长末期的草莓可以人为对其成熟度进行一些修正 图6是该模型结果的P R曲线图 图7是1 0 0 e p o c h s训练过程中的损失下降情况以及全类别平均准确 率和召回率的上升情况 模型的目标检测推断结果如图8所示 在可视化的结果中展示了每个检测目 标所预测的类别以及其总置信度 包括检测框置信度以及分类置信度 2 3 草莓成熟度的数字化与数据统计 1 草莓成熟度的数字化 对于草莓成熟度的数值化估计 希望得到的草莓成熟度与该个体的具体性状无关 比如草莓萼片 有长有短 个体有大有小 可能这颗草莓本身就会长得很大 但是现在的大小只是其完全体大小的百分 之四十 尽管与周围其他草莓个体相比较 其看上去更加成熟 但应该注意到它的生长阶段应该仍处于 初期 与人工标注相比 这一点很有可能成为人为量化成熟度的重要依据 但是这样一来人与人的标准 便不统一 同一个人今天的标准和明天的标准也不一定统一 而目标检测模型利用客观的网络参数对 输入结果进行推测 唯一的输入只会得到唯一的结果 这就更加客观地反映出该品种草莓的生长情况 此外 草莓的生长是一个连续的过程 所给定的类别划分只是作为一个较为有代表性的关键时间节点 对于生长到两个结点中间阶段的草莓样本 人工标定既可以标为前者 也可以标定为后者 若将模型的 性能训练到十分精确的程度 对于这种样本 该模型对此样本的标签类别预测概率就会极大地接近1 此时无论对于前者还是后者 都不应该预测为很大的概率 而是二者应该相对持平 因此 模型的训练 78第2期郭鑫 等 基于Y O L O v 5模型的草莓估产及长势预测研究 图5 混淆矩阵 图6 P R曲线 图7 1 0 0 e p o c h s训练过程中各项指标的变化趋势 88杭州电子科技大学学报 自然科学版 2 0 2 5年 图8 目标检测结果 情况应尽量避免过拟合的情况 以免最终的成熟度集中分布在标定值附近 达不到去极化的标准 同时 为使得对目标的检测结果尽量准确 模型应该进行相当数量的迭代训练 防止欠拟合导致丢失大量样本 数据 本数据集在Y O L O v 5模型训练完成后 使用该模型进行前向推断 结果的可视化在2 2节中已经 展示 前向推断的中间过程是一个包含位置信息 置信度信息和类别信息的张量 对于本节示例中的草 莓图片 通过前向推断和后处理后得到的是一个1 1 8 9 0 0 1 1的张量 在1 1维的向量中包含了位置 置信度和类别信息 解析这个张量即可得到该模型预测的每个目标的对应类别的概率 介于0 1之 间 该概率并不是一个分布 为使其成为一个分布 应对其进行归一化处理 考虑到草莓在前期和末期生长速度较慢 生长变化情况差异不大 因此归一化处理完成后的成熟度 量化函数应该满足以下三点 1 同一时间下不同形状草莓的成熟度是否有显著差异 2 同一株草莓的同一个果实在不同时刻的成熟度是否能表现出显著的差异 3 成熟度的分布情况不应该集中于给定的标准值附近 成熟度的分布应该去极化 这里分别考虑用e x p归一化 1 l o g归一化 1 l o g归一化以及标准归一化 归一化后的每个 类的概率是一个分布 归一化处理后得到新的概率分布情况 再与标定成熟度进行加权 最终得到该草 莓的成熟度数值 设归一化处理后第i类的概率为pi 其对应的标定值为ai 则第n个草莓个体的成熟 98第2期郭鑫 等 基于Y O L O v 5模型的草莓估产及长势预测研究 度即为 mn piai 1 其中i分别为0 1 2 3 4 5 由第1节定义可知 草莓六个时期的标定成熟度分别为5 2 5 5 0 7 0 8 5 1 0 0 对于几种归一化方法分别给出结果展示 如图9 1 0所示 从左到右分别是e x p归一化 1 l o g 归一化 标准归一化 1 l o g归一化 可以明显看出e x p归一化所得的不同生长时期的草莓成熟度差异 并不显著 1 l o g归一化的红熟果实成熟度预测远远偏于标定值 并且不同程度的红熟期草莓差异并 不显著 标准归一化的成熟度数值对标定成熟度过于接近 不满足成熟度分布的去极化要求 1 l o g 归一化对以上几点要求的综合效果最好 因此选取该函数进行归一化作为最终的成熟度量化函数 图9 归一化结果 图1 0 归一化结果 2 数据统计 在对草莓的成熟度进行客观的评价后 需要对不同时间节点下的相同草莓的成熟度进行统计 由 于不同时间节点的拍摄角度 拍摄距离 光照情况的不同 需要针对同一编号的相同位置的同一颗草莓 进行人工匹配 并记录其成熟度 考虑到由于不同时间点拍摄条件的差异也会影响模型预测结果 违背 因果关系 因此 在数据统计的过程中对于同一天拍摄的三组图片 将其成熟度进行排序后 再进行统 计 在不影响红颜草莓生长趋势的情况下 保证拟合的生长曲线呈现一个上升的趋势 以减小因拍摄条 件差异造成的误差 对于一些外部原因导致的草莓果实缺失以及模型未能成功检测出的样本 记作该 草莓的样本缺失 其成熟度记作 1 便于后续的数据处理 部分数据展示如表2所示 横轴坐标代表 不同时刻对草莓图片的拍摄 如1 0 2 5代表从起始状态开始到1 0 2 5 d 纵轴坐标代表各个不同草莓的 编号情况 两坐标交点处的值即为该草莓该时刻的成熟度情况 09杭州电子科技大学学报 自然科学版 2 0 2 5年 表2 部分草莓成熟度数据统计 编号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 草莓生长曲线的拟合 本文研究的主要内容是在给定草莓的平均生长条件的情况下 对红颜草莓的生长曲线进行拟合 其 平均生长条件见表1 由于某一个时刻拍摄的图片中包含各个生长时期的草莓 而且每个编号的草莓 缺失情况不一 同时本次拟合任务不是针对于某个个体草莓的生长 所以拍摄的时间并不能作为横坐标 的时刻 拟合曲线的横坐标应该为生长时刻 也就是说不同的草莓样本要根据自己成熟度的值去拟合 该成熟度附近的曲线 3 1 迭代拟合 该拟合问题的核心点在于拍摄照片的时刻与拟合曲线的横轴自变量 生长时刻不是同一个含 义 也就是说不同的草莓样本要根据其因变量的值去拟合该值附近的曲线变化情况 然而根据因变量 的值求出当前的自变量本身就需要该拟合函数 通俗地说 就是为了求函数曲线而需要点坐标 而点坐 标又需要函数曲线的确定 因此可以利用迭代的方法进行拟合 其具体步骤如下 1 将若干草莓个体的各个生长阶段进行拼接 得到红颜草莓的生长全期样本若干 2 根据当前的若干全期生长样本对草莓的生长情况进行拟合 得到初始生长曲线 3 对于数据集中的其他样本 根据当前曲线反解第一个非缺失值的样本的生长时间 根据该时间 以及其他非缺失样本与之拍摄时刻的差值即可得到每个拍摄时刻草莓样本对应的生长时刻 4 根据新得到的样本点重新拟合生长曲线 迭代更新k次 5 根据最终的拟合曲线将所有样本转化为成熟度 生长时刻散点图 最后根据该散点图进行拟 合 得到最终结果 考虑到探究的内容为红颜品种的草莓生长特性 并且在2 3节中对成熟度数值化的规定中也尽可 能规避了个体性状的特殊性造成的成熟度误差 因此 不同个体的成熟度可以反映该品种的生长特性 可以拼接后融合使用 同时在2 3节数据统计中提到为保证曲线呈现上升趋势 对时间间隔较短的样 本成熟度进行了调整 以减少因拍摄条件差异引起的误差 因此 在给定初始拟合曲线后 随着样本点 的增加 拟合结果呈现上升趋势且逐渐逼近真实曲线 最终达到迭代次数后收敛 19第2期郭鑫 等 基于Y O L O v 5模型的草莓估产及长势预测研究 3 2 拟合结果评估 本文采用一元多项式拟合 神经网络拟合 2 0 以及D o u b l e B o l t z m a n n拟合方法 利用上述迭代拟 合方法得到1 7 2 8个样本点 利用该样本点进行回归拟合 其中一元多项式拟合结果如图1 0所示 图 1 0 a 中深灰色区域为9 5 置信带 浅灰色区域为9 5 预测带 置信带是指给定自变量的值后 有 9 5 的概率 该样本预测平均值会落入置信区间内 预测带是指给定自变量的值后 有9 5 的概率预测 的因变量的值的会落入预测区间内 该多项式曲线即为对红颜草莓生长曲线的拟合结果 图1 0 一元多项式拟合曲线及残差图 神经网络采用全连接神经网络 由于自变量只有一个 一般来说只需一个隐藏层即可 本文为了尽 可能找到拟合的非线性结果 采用了6个隐藏层 每层神经元数量依次为3 4 4 5 5 3 拟合结果如图 1 1和图1 2所示 图1 1 a 是针对迭代拟合出的样本点而拟合出的非线性曲线结果 由图1 0 b 图1 2两幅残差图可知 样本点的误差分布较为分散 为了进一步提高模型与实际草 莓生长曲线的拟合程度 对数据样本进行增加 并将同一天所拍摄的三组照片所得的成熟度进行平均 以此来减小因拍摄光照角度等条件不同引起的误差 由于对数据进行了平均处理 最终得到的样本点 总数缩减为9 6 8个 但是其所包含的信息相比之前有所增加 采用生长模型D o u b l e B o l t z m a n n进行拟 合 拟合结果如图1 3所示 深灰色区域为9 5 置信带 浅灰色区域为9 5 预测带 图1 1 神经网络拟合曲线及结构 利用扩充数据进行神经网络拟合结果如图1 4 a 所示 然而 对于图1 4 a 这样的神经网络结果 图 可以对数据点进行一定的修正处理 由于这些样本点都是由迭代拟合最终得到的 在所有的样本点 29杭州电子科技大学学报 自然科学版 2 0 2 5年 图1 2 神经网络拟合残差图 图1 3 D o u b l e B o l t z m a n n拟合曲线及残差图 中 绝大多数点是十分接近草莓的真正生长曲线的 少部分点会出现比较大的误差波动 那么可以将所 有点的自变量和因变量各自进行排序 将排序结果再用神经网络做拟合 拟合结果以及残差图分别如图 1 4 b 和图1 5所示 如此修正的前提是 绝大部分样本点都处于接近草莓真实生长曲线的位置 样本点 的数据量足够多 在各个阶段的样本点数据量比例较为均衡 满足以上条件修正拟合出的结果才有一 定的参考价值 这样修正的好处在于保证非线性拟合所得的曲线是不减函数 符合草莓的生长因果律 而弊端也十分明显 就本质上而言 这是不符合逻辑的 没有理论支撑的方法 但是 在满足以上三点前 提的条件下 用这种修正拟合方式来近似草莓的生长曲线亦有可取之处 39第2期郭鑫 等 基于Y O L O v 5模型的草莓估产及长势预测研究 图1 4 拟合结果曲线 图1 5 神经网络残差 修正 由以上残差图可以看到 尽管对数据进行了扩增并且通过平均化来减小误差 数据样本点的分布残 差依然较大 原因主要为以下两点 1 由于Y O L O v 5 s模型训练得不够充分 导致在对草莓个体进行成熟度预测时 不能够更加细致 地区分相近果实之间的差异 进而不能给出十分准确的成熟度数值 2 拍摄草莓图片的频率较低 错过草莓生长过程中生长幅度较大的阶段 49杭州电子科技大学学报 自然科学版 2 0 2 5年 4 结束语 本文针对红颜品种的草莓进行了图像采集 采用Y O L O v 5目标检测模型对草莓图像的中的草莓目 标进行检测 与以往对草莓成熟度的分类估计方法不同 设计了负对数倒数函数将草莓的成熟情况进行 了数值化处理 并将处理结果进行了数据统计 建立了红颜品种草莓的成熟时间数据集 最终 利用迭 代拟合方法得到1 7 2 8个样本点 利用该样本点进行了草莓生长曲线的拟合 实验结果表明 本文构建 的草莓成熟期生长模型较为准确 可以对草莓从开始结果到果实成熟的全过程的生长趋势作出预测 和分析 与其他算法如S S D C e n t e r N e t Y O L O v 3 Y O L O v 4比较 Y O L O v 5在识别精度 模型尺寸及 平均检测速率上均表现较优 提升了鲁棒性 为草莓成熟度预测及估产技术提供了有力支持 本文 的研究方法也适用于其他品种的草莓 根据当地的种植条件训练自己种植场的浆果类水果的生长曲 线模型 参考文献 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 杨嘉博 基于深度学习的水稻可视化生长预测方法研究 D 武汉 华中农业大学 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