[發明專利]一種采用CBAM與八度卷積改進YOLOV5的溫室番茄識別與檢測方法

有效

• 申請號: 202210728904.0
• 申請日: 2022-06-24
• 公開（公告）號: CN115424247B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 代國威;樊景超;閆燊;胡林
• 申請（專利權）人: 中國農業科學院農業信息研究所
• 主分類號: G06V20/60
• 分類號: G06V20/60;G06V10/82;G06V10/40;G06V10/20;G06N3/0464;G06N3/08
• 代理公司: 北京市盛峰律師事務所 11337
• 代理人: 于國富

1.一種采用CBAM與八度卷積改進YOLOV5的溫室番茄識別與檢測方法，其特征在于，包括以下步驟：

S1，構建基于CBAM與八度卷積改進YOLOV5的溫室番茄識別模型OctaveC-YOLOV5，采用CBAM作為注意力機制模塊，所述OctaveC-YOLOV5模型包括Backbone、Neck和Head，所述Backbone中包括Conv模塊、C3模塊和SPP模塊，所述C3模塊包括3個Conv模塊和一個Bottleneck，采用八度卷積替換所述Conv模塊中的Conv2d；所述Neck中加入FPN+PAN結構；

S2，獲取溫室番茄圖片初始數據集，對初始數據集中的圖片進行數據增強預處理，獲得增強后的數據集；

S3，將增強后的數據集劃分為訓練、驗證和測試集，采用訓練集訓練OctaveC-YOLOV5模型，并采用驗證和測試集評估訓練后的OctaveC-YOLOV5模型，具體包括：

S31，采用步驟S1中構建的OctaveC-YOLOV5模型中的Backbone結構提取訓練集中圖片特征向量，并在第4層、第6層與第9層進行輸出，第9層輸出的特征被輸入到CBAM模塊中進行處理；然后將處理后的特征輸出到Neck結構中，并使用FPN+PAN組合來處理特征；使用CIoU作為邊界框損失函數，并采用非極大值抑制；

S32,訓練完成后，采用驗證和測試集對訓練后的模型進行評估，采用的評估系數包括查準率P_t、查全率R_t、F1-ScoreF1_t、平均準確率A(P_t)以及平均精度m(Ap)中的至少一種；

S4，采用訓練完成后的OctaveC-YOLOV5模型對室內番茄進行目標識別和檢測過程；

步驟S2中對初始數據集中的圖片進行數據增強預處理過程包括采用多種天氣增強技術，包括下列中的至少一種：使用雨滴變換為圖像隨機添加雨滴；使用霧氣變換隨機地向圖像不同位置添加霧氣；選擇太陽光照變換模擬不同光照條件；使用陰影變換為圖像添加陰影數量；

雨滴變換具體為：選擇大小為1.0、類型為drizzle的雨滴向圖像上隨機添加，并設置0.6的陰天參數模擬溫室高溫期間的噴淋降溫；霧氣變換具體為：選擇0.1～0.6的霧氣強度與霧圈透明度為0.1的參數值隨機地向圖像不同位置添加霧氣，并使背景模糊；所述太陽光照變換具體為：采用四個參數坐標(x_min、y_min、x_max、y_max)確定出現太陽耀斑的圖像區域，其中，x_min與y_min表示起始坐標，x_max與y_max表示結束坐標，同時選擇圖像的左上角或右上角作為光照來源；所述陰影變換具體為隨機設置1～5個陰影數量浮動在圖像上。

2.根據權利要求1所述的采用CBAM與八度卷積改進YOLOV5的溫室番茄識別與檢測方法，其特征在于，步驟S1中采用八度卷積運算，具體包括：將卷積核W分成W^H和W^L兩組，分別對輸入特征圖的高頻部分X^H和低頻部分X^L進行卷積，將低頻特征圖上采樣到高頻特征圖，并與低頻特征圖進行分組；將高頻特征圖下采樣為低頻張量，并與高頻特征圖進行分組，輸出Y＝{Y^L，Y^H}，其中輸出高頻特征圖Y^H＝Y^H→H+Y^L→H，輸出低頻特征圖Y^L＝Y^L→L+Y^H→L。

3.根據權利要求1所述的采用CBAM與八度卷積改進YOLOV5的溫室番茄識別與檢測方法，其特征在于，步驟S2中獲取溫室番茄圖片初始數據集中，獲取到的室內番茄圖像包括單目圖像和雙目圖像，均采用LabelMe工具標記為XML格式，標簽類別分為成熟番茄和未成熟番茄。

4.根據權利要求3所述的采用CBAM與八度卷積改進YOLOV5的溫室番茄識別與檢測方法，其特征在于，單目圖像的分辨率為1600×1200像素，雙目圖像的分辨率為1280×720像素。