1.一种改进型YOLOv5的猕猴桃授粉花朵识别方法，具体包括以下步骤：步骤S1：使用相机在猕猴桃种植园下午采集不同花朵数量，不同角度，不同重叠情况下的猕猴桃花朵图片，以便增加数据的多样性；

步骤S2：使用Python脚本对采集到的图像数据进行数据增强，包括暗度、亮度、高斯噪声和镜像方式，突出显示图像的局部特征，将不同物体的特征进行有效区分，提高数据集的数量从而增强神经网络模型的鲁棒性；

步骤S3：使用开源图像标注软件Labelimg对数据集中的猕猴桃花朵进行标注，并将标注后的结果保存为xml格式文件；使用Python脚本将所有标注好的猕猴桃花朵图像分为训练集、验证集和测试集；

步骤S4：在YOLOv5模型中的K‑means聚类数据算法更改成K‑means++算法，以便能够选择出更优的初始聚类中心，并且提高算法的速度；

步骤S5：在YOLOv5模型中添加了CBMA注意力机制，以提高模型对猕猴桃花特征的提取精度；

步骤S6：将YOLOv5中GIOU‑loss损失函数更改成CIOU‑loss损失函数；

步骤S7：在detect函数中加入花朵角度计算模块；通过计算分析花朵角度计算模块，可得到花朵倾斜角度、花蕊中心和花朵中心之间的位置关系；

步骤S8：在detect函数中加入重叠花朵情况判断及授粉点寻找模块，根据目标框与预测框的交并比判断出花朵重叠情况，从而依据不同重叠情况确定授粉点坐标；

步骤S9：利用PyCharm平台在台式计算机上实现猕猴桃花朵识别模型的训练和测试；

所述步骤S7中：detect函数中加入的花朵角度计算模块为：；

其中：花朵原长为L，α为花朵自身倾斜角度， a为花朵和花蕊之间的厚度， b为花朵倾斜后的水平长度，  ∆x为花朵中心点与花蕊中心点之间的水平距离；

为了减少花朵重力对计算花朵实际倾斜角度造成的不良影响，把采集到的图片和数据进行回归函数计算，得到优化后的花朵角度计算模块为：；

其中：α’为优化后花朵自身倾斜角度计算值；

所述步骤S8中，在detect函数中加入的重叠花朵情况判断及授粉点寻找模块为：；

其中：x、y为多边形每个顶点的坐标，n为多边形的边数；

多边形形心的坐标公式为：

；

根据输出的形心坐标以及各组成重叠多边形的花朵中心点坐标，计算出靶倾斜角度。

2.根据权利要求1所述的改进型YOLOv5的猕猴桃授粉花朵识别方法，其特征在于：所述的步骤S6中，YOLOv5模型采用的CIOU‑loss损失函数为：；

其中：IOU为目标框和预测框两个区域的交并比；ρ为两个中心点之间的欧式距离；b为gt预测框的中心点；b 为真实框的中心点；c为能够同时包含预测框和真实框的最小闭包区域的对角线距离；α1为权重参数；v为衡量长宽比一致性的参数。

3.根据权利要求2所述的改进型YOLOv5的猕猴桃授粉花朵识别方法，其特征在于：所述步骤S9中，初始学习率设置为0.032，IOU阈值设置为0.01，模型训练时使用8个样本作为批处理单元，训练轮数为200轮；模型训练后得到最优的训练权重参数文件；利用最优权重参数文件对猕猴桃花图片进行识别测试，并根据识别场景对识别模型的性能进行评价。

4.根据权利要求3所述的改进型YOLOv5的猕猴桃授粉花朵识别方法，其特征在于：所述步骤S9中，对YOLOv5模型特征识别质量的评价标准用公式为：；

；

；

其中：P为被识别图像中真实位置的比例；R为测试集中被正确识别为正样本的比例；AP为检测算法的插值平均精度；TP为猕猴桃花的正确识别数量；FP为错误识别猕猴桃花的数量；FN为未检测到猕猴桃花的数量。

5.根据权利要求4所述的改进型YOLOv5的猕猴桃授粉花朵识别方法，其特征在于：所述步骤S3中，训练集、验证集和测试集的比例为7：2：1。