[發(fā)明專利]一種棉花花藥開裂狀態(tài)識(shí)別方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110509530.9
• 申請(qǐng)日: 2021-05-11
• 公開（公告）號(hào): CN113240001B
• 公開（公告）日: 2023-05-26
• 發(fā)明（設(shè)計(jì)）人: 閔玲;譚志昊;呂榮杰;施家偉;楊萬能;張獻(xiàn)龍
• 申請(qǐng)（專利權(quán)）人: 華中農(nóng)業(yè)大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06V10/774;G06T7/00;G06N3/0464;G06N3/08;G01N21/84
• 代理公司: 北京方圓嘉禾知識(shí)產(chǎn)權(quán)代理有限公司 11385
• 代理人: 程華

1.一種棉花花藥開裂狀態(tài)識(shí)別方法，其特征在于，包括：

以黑色幕布為拍攝背景，采集棉花花藥RGB圖像；

獲取所述棉花花藥RGB圖像的標(biāo)簽，構(gòu)建訓(xùn)練集、測試集和驗(yàn)證集；

獲取改進(jìn)后的YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)；

通過所述訓(xùn)練集對(duì)改進(jìn)后的YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；在YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)第十七層后，將原本的網(wǎng)絡(luò)結(jié)構(gòu)修改為繼續(xù)進(jìn)行上采樣操作，使特征圖繼續(xù)擴(kuò)大；同時(shí)在第20層時(shí)，將獲取到的特征圖與骨干網(wǎng)絡(luò)中第2層特征圖融合，以此獲取更大的特征圖進(jìn)行小目標(biāo)檢測，在檢測時(shí)，增加小目標(biāo)檢測層，一共使用四層結(jié)構(gòu)進(jìn)行檢測；經(jīng)過訓(xùn)練后會(huì)得到在訓(xùn)練過程中表現(xiàn)最好的權(quán)重文件，以及最后一次訓(xùn)練中得到的權(quán)重文件，經(jīng)過比較模型評(píng)價(jià)指標(biāo)，最終選擇將best.pt作為權(quán)重文件；

所述通過所述訓(xùn)練集對(duì)改進(jìn)后的YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體包括：在模型訓(xùn)練階段，原始模型為YOLOv5s權(quán)重文件，每次迭代的樣本數(shù)設(shè)為64，衰減系數(shù)為0.0005，動(dòng)量因子設(shè)置為0.9，初始學(xué)習(xí)率為0.001；當(dāng)模型迭代達(dá)到1150次時(shí)，在測試集上的準(zhǔn)確率達(dá)到91％，召回率達(dá)到0.96且開始趨于平緩；

接下來以迭代1150次得到的最佳模型作為原始模型重新開始訓(xùn)練，每次迭代的樣本數(shù)為64，衰減系數(shù)為0.0005，動(dòng)量因子設(shè)置為0.9，學(xué)習(xí)率為0.001，當(dāng)模型迭代1200次，總迭代次數(shù)達(dá)到2350次時(shí)，模型準(zhǔn)確率達(dá)到93.7％，此時(shí)召回率為0.99且趨于平緩；

為了獲得更高的識(shí)別準(zhǔn)確度，以上次訓(xùn)練得到的最佳模型作為原始模型，每次迭代的樣本數(shù)為64，衰減系數(shù)為0.0005，動(dòng)量因子設(shè)置為0.9，初始學(xué)習(xí)率為0.001繼續(xù)進(jìn)行訓(xùn)練，當(dāng)模型迭代2250次后，模型準(zhǔn)確率下降為93.1％，召回率為0.98，考慮應(yīng)是相同數(shù)據(jù)集的迭代次數(shù)過多，產(chǎn)生過擬合；

為了進(jìn)一步提高準(zhǔn)確率，解決過擬合現(xiàn)象，考慮以總迭代次數(shù)為2250次時(shí)得到的best模型作為藍(lán)本，更換一半數(shù)據(jù)集，學(xué)習(xí)率設(shè)為0.0001，其他數(shù)值不變，繼續(xù)訓(xùn)練2250次，得到模型準(zhǔn)確率為94.1％，召回率為0.99，平均精度為0.81，模型適度擬合，準(zhǔn)確率較高，可以作為檢測花藥開裂狀況的工具系統(tǒng)使用；

通過訓(xùn)練后的YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)棉花花藥開裂狀態(tài)進(jìn)行識(shí)別。

2.根據(jù)權(quán)利要求1所述的棉花花藥開裂狀態(tài)識(shí)別方法，其特征在于，在采集棉花花藥RGB圖像之前，還包括：

對(duì)棉花花朵進(jìn)行預(yù)處理，將棉花花瓣剝離，對(duì)花藥進(jìn)行固定。

3.根據(jù)權(quán)利要求1所述的棉花花藥開裂狀態(tài)識(shí)別方法，其特征在于，改進(jìn)后的YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)包括輸入端、backbone端、head端和輸出端；所述backbone端的權(quán)重文件為mobilenetv2；

所述backbone端用于對(duì)輸入的圖像進(jìn)行特征提取；

所述head端用于對(duì)所述backbone端提取的特征圖進(jìn)行采樣及融合。

4.根據(jù)權(quán)利要求1所述的棉花花藥開裂狀態(tài)識(shí)別方法，其特征在于，所述通過所述訓(xùn)練集對(duì)改進(jìn)后的YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體包括：

將所述訓(xùn)練集輸入至改進(jìn)后的YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)；

判斷改進(jìn)后的YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)的輸出結(jié)果的誤差是否在預(yù)設(shè)范圍內(nèi)；

若否，則調(diào)整改進(jìn)后的YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)的樣本數(shù)、衰減系數(shù)、動(dòng)量因子以及學(xué)習(xí)率。

5.根據(jù)權(quán)利要求1所述的棉花花藥開裂狀態(tài)識(shí)別方法，其特征在于，還包括：

通過所述測試集和所述驗(yàn)證集對(duì)訓(xùn)練后的YOLOv5深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行測試和驗(yàn)證。