[發明專利]一種基于改進型YOLO v5模型的大豆植株表型數據統計方法

在審

• 申請號: 202210441866.0
• 申請日: 2022-04-25
• 公開（公告）號: CN115099297A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 劉立超;王健清;梁靜;陳黎卿;馬慶;李兆東;張春嶺;王韋韋
• 申請（專利權）人: 安徽農業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06T3/40;G06F17/18;G06V10/774;G06V10/82;G06V10/764
• 代理公司: 北京康達聯禾知識產權代理事務所(普通合伙) 11461
• 代理人: 尚婷

1.一種基于改進型YOLO v5模型的大豆植株表型數據統計方法，其特征在于，包括如下步驟：

獲得目標大豆植株的采樣圖片；

通過基于指定訓練方法訓練完成的識別模型對所述采樣圖片進行識別；

統計并保存所述識別模型輸出的關于所述大豆植株的表型特征；

其中，所述識別模型為基于指定改進方法進行改進的改進型YOLO v5模型。

2.根據權利要求1所述的基于改進型YOLO v5模型的大豆植株表型數據統計方法，其特征在于，所述指定訓練方法包括：

針對大豆植株獲取訓練樣本集；

增強擴充所述訓練樣本集后得到訓練數據集；

將所述訓練數據集隨機劃分為訓練集、驗證集和測試集三個部分。

3.根據權利要求2所述的基于改進型YOLO v5模型的大豆植株表型數據統計方法，其特征在于，所述針對大豆植株獲取訓練樣本集的方法包括：

選取不同時間段、不同天氣情況、不同角度對所述大豆植株進行拍攝后得到拍攝圖像；

對所有所述拍攝圖像進行標注后進行得到所述訓練樣本集，所述標注包括多種類別標簽。

4.根據權利要求3所述的基于改進型YOLO v5模型的大豆植株表型數據統計方法，其特征在于，所述增強擴充所述訓練樣本集后得到訓練數據集的方法包括：

對所述訓練樣本集中的每個所述拍攝圖像進行數據增強；

對讀取的4張圖像通過色域變化、裁剪、縮放、隨機排布等操作進行標定框的組合和圖片的組合拼接，得到訓練數據集。

5.根據權利要求2所述的基于改進型YOLO v5模型的大豆植株表型數據統計方法，其特征在于，所述指定訓練方法還包括：

設置初始超參數，改進型YOLO v5模型的訓練尺寸為640×640、批量大小為16、類別數為5、初始學習率、1e-2、迭代次數為100；

將所述訓練集和所述驗證集輸入所述改進型YOLO v5模型進行訓練；

根據訓練驗證損失率變化曲線，當loss隨著迭代次數的增加而趨于平穩時，確定最終的學習率和迭代次數。

6.根據權利要求1所述的基于改進型YOLO v5模型的大豆植株表型數據統計方法，其特征在于，所述指定改進方法包括：

采用MobileNetv2來替換YOLO v5的主干特征提取網絡Backbone；

所述MobileNetv2結構包括：

針對改進型YOLO v5模型的主干特征提取部分，利用1×1卷積進行升維；

利用3×3深度可分離卷積進行特征提取后，利用1×1卷積降維；

殘差邊部分輸入和輸出直接相連；

使用線性瓶頸操作，將特征投影到低維特征的表示；

采用MobileNetv2來替換YOLO v5的主干特征提取網絡Backbone。

7.根據權利要求6所述的基于改進型YOLO v5模型的大豆植株表型數據統計方法，其特征在于，所述指定改進方法包括：

引入入ECANet注意力機制；

所述ECANet注意力機制的結構包括：

通過全局平均池化獲得每一個通道的全局特征，輸出維度為C×1×1的全局特征；

使用一維卷積獲取局部通道之間的關系；

使用Sigmoid激活函數輸出維度為C×1×1的新權值；

通過新權值和輸入特征圖乘積運算完成對通道特征權值的重分配，抑制無效特征，增強有效特征。

8.根據權利要求7所述的基于改進型YOLO v5模型的大豆植株表型數據統計方法，其特征在于，所述引入ECANet注意力機制主要步驟包括：

將ECANet注意力機制放置在加強特征提取網絡上，在主干網絡提取出來的三個有效特征層上增加了注意力機制；

對FPN中上采樣結果增加ECANet注意力機制，來減少信息丟失、優化每層上的整合特征。

9.根據權利要求1所述的基于改進型YOLO v5模型的大豆植株表型數據統計方法，其特征在于，所述指定改進方法包括：

改進損失函數：

用CIOU_Loss取代GIOU_Loss；

用DIOU_NMS取代經典的NMS。