一种基于改进的YOLOv5的麦穗检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114973002A(43)申请公布日2022.08.30(21)申请号202210705045.3G06V10/40(2022.01)(22)申请日2022.06.21G06V10/25(2022.01)G06N3/04(2006.01)(71)申请人安徽大学G06N3/08(2006.01)地址230601安徽省合肥市经济技术开发区九龙路111号(72)发明人赵晋陵戴飞杰雷雨黄林生汪传建梁栋黄文江(74)专利代理机构合肥国和专利代理事务所(普通合伙)34131专利代理师侯婷张祥骞(51)Int.Cl.G06V20/10(2022.01)G06V20/17(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于改进的YOLOv5的麦穗检测方法(57)摘要本发明涉及一种基于改进的YOLOv5的麦穗检测方法，其特征在于：包括：获取麦穗图像并对麦穗图像进行标注，获得麦穗图像数据集，将麦穗图像数据集划分为训练集和测试集；构建YOLOv5网络模型；对YOLOv5网络模型进行改进，得到改进的YOLOv5网络模型；将训练集输入改进的YOLOv5网络模型中，对改进的YOLOv5网络模型进行训练；对改进的YOLOv5网络模型进行评价和测试。本发明使用四尺度特征检测，增加浅层检测尺度，来提高小目标的识别精度；本发明引入CA注意力机制，提升算法的特征提取能力；本发明引入CIOU_Loss作为算法损失函数的BoundingBoxRegressionLoss，提升检验框检测的准确率。CN114973002ACN114973002A权利要求书1/2页1.一种基于改进的YOLOv5的麦穗检测方法，其特征在于：该方法包括下列顺序的步骤：(1)获取麦穗图像并对麦穗图像进行标注，获得麦穗图像数据集，将麦穗图像数据集划分为训练集和测试集；(2)构建YOLOv5网络模型；(3)对YOLOv5网络模型进行改进，得到改进的YOLOv5网络模型；(4)将训练集输入改进的YOLOv5网络模型中，对改进的YOLOv5网络模型进行训练；(5)对改进的YOLOv5网络模型进行评价和测试。2.根据权利要求1所述的基于改进的YOLOv5的麦穗检测方法，其特征在于：所述步骤(1)具体包括以下步骤：(1a)采用DJIPhantom4PRO无人机，搭载相机型号为FC6310的相机，采集1500张麦穗图像，麦穗图像的分辨率为5472×3648像素；(1b)用数据标注工具Labeling对麦穗图像进行标注，用矩形框标注图像中麦穗的位置，标注成YOLO格式，得到麦穗图像数据集；(1c)将标注好的麦穗图像数据集按照7:3的比例划分成训练集和测试集。3.根据权利要求1所述的基于改进的YOLOv5的麦穗检测方法，其特征在于：在步骤(2)中，所述YOLOv5网络模型包括：Input输入端，用于进行Mosaic数据增强和自适应图片缩放；Backbone基础网络，包括CON结构、C3结构和SPP结构；Neck网络，采用FPN+PAN的结构，其中FPN结构用于自上向下传递强语义特征信息；PAN结构在FPN结构之后增加一个向上的特征金字塔，用于自下向上传递强定位信息；Prediction输出层，包括BoundingBox损失函数和NMS非极大抑制，所述BoundingBox损失函数采用GIOU_Loss损失函数。4.根据权利要求1所述的基于改进的YOLOv5的麦穗检测方法，其特征在于：所述步骤(3)具体包括以下步骤：(3a)在YOLOv5网络模型的Backbone基础网络的C3结构与SPP结构之间引入CA注意力机制；(3b)在YOLOv5网络模型中增加一个160×160的检测尺度，由三尺度检测拓展为四尺度检测；在80×80特征层之后继续增加卷积层和上采样，再将二倍上采样特征层与160×160特征层进行融合，得到第四个160×160的检测尺度，锚框设置采取YOLOv5自带K‑Means算法自动生成；(3c)BoundingBox损失函数采用CIOU_Loss损失函数，其公式如下：其中，a是权重系数，v表示检测框和真实框的长宽比的距离，b和bgt分别表示类别是麦穗的预测框和非麦穗的预测框的中心点，ρ表示欧氏距离，C表示目标最小外接矩形的对角线距离，IoU表示两个框的交集面积比上他们的并集面积，a和v的表达式为：2CN114973002A权利要求书2/2页式中，ωgt为真实矩形框的宽，hgt为真实矩形框的高，ω为检测矩形框的宽，h为检测矩形框的高。5.根据权利要求1所述的基于改进的YOLOv5的麦穗检测方法，其特征在于：所述步骤(4)具体包括以下步骤：(4a)设