一种种苗旋转框目标检测方法及系统技术方案

本发明专利技术涉及一种种苗旋转框目标检测方法及系统，本发明专利技术的方法基于YOLOv5提出一种基于解耦结构的用于种苗旋转框目标检测的改进YOLOv5模型。在骨干网络中引入可变形卷积来解决被检测目标(种苗)边缘不规则问题，提升检测精度，然后在YOLOv5中设置解耦头部网络，将原有的检测任务解耦为多个子任务，对每个子任务进行单独设计来学习对应任务的最优特征，最后整合所有检测结果，得到最终的旋转检测框。本发明专利技术的方法基于改进YOLOv5模型实现了种苗的精确识别。精确识别。精确识别。

【技术实现步骤摘要】
一种种苗旋转框目标检测方法及系统


[0001]本专利技术涉及种苗培育
，特别是涉及一种种苗旋转框目标检测方法及系统。

技术介绍

[0002]随着科学技术的迅猛发展，种苗组织培养技术逐渐走向成熟，其作为一种无性繁殖技术，具有培育周期短、成活率高、产量高、可降低生产成本等众多优势，具有很好的发展前景。仿照传统人工切割种苗的工作流程，种苗切割机器人可分为种苗的识别系统、种苗的位姿与坐标分析系统和切割执行系统。种苗的目标识别是开发种苗切割机器人的必要环节。

技术实现思路

[0003]有鉴于此，本专利技术提供了一种种苗旋转框目标检测方法及系统，以实现种苗的精确识别。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种种苗旋转框目标检测方法，所述方法包括如下步骤：
[0006]对多个历史种苗样本图像进行标注，获得每个历史种苗样本图像的标签，构建包含历史种苗图像和历史种苗图像的标签的样本集；
[0007]利用所述样本集对改进YOLOv5模型进行训练，获得训练后的改进YOLOv5模型，作为目标检测模型；所述改进YOLOv5模型为将YOLOv5模型中的CBL结构中的卷积替换为可变性卷积，且将YOLOv5模型中头部网络替换为解耦头部网络得到的；
[0008]将待测种苗图像输入目标检测模型，获得种苗检测结果。
[0009]可选的，历史种苗样本图像的标签为(c,x,y,l,s,CSL(θ))；
[0010]其中，c为历史种苗样本图像中种苗的类别；x,y表示历史种苗样本图像中种苗的标注方框的中心点坐标；l和s分别表示标注方框的长变和短边；θ表示标注方框的长边与水平轴的顺时针夹角，CSL(θ)表示标注方框的长边与水平轴的顺时针夹角为θ时的角度类别；
[0011][0012]其中，g(
·
)为窗口函数，r为窗口函数的半径，θ
′
为角度类别参数。
[0013]可选的，所述改进YOLOv5模型包括顺次连接的骨干网络、颈部网络和解耦头部网络；
[0014]所述均骨干网络包括顺次连接的Focus结构、CSP1_1结构、第一CSP1_3结构、第二CSP1_3结构和SPP结构；所述CSP结构包括第一卷积层、第一归一化层和第一Leaky_relu激活函数，所述第一CSP1_3结构和所述第二CSP1_3结构均包括改进CBL模块、残差模块、第二卷积层和Concate层，所述改进CBL模块包括可变卷积层、第二归一化层和第二Leaky_relu激活函数；
[0015]所述颈部网络包括三个下采样层和三个上采样层；
[0016]所述解耦头部网络包括第三卷积层，与所述第三卷积层并行连接的解耦分支和分类分支；所述解耦分支包括第四卷积层、回归框损失函数和边框损失，所述分类分支包括全连接层、类别损失函数和角度损失。
[0017]可选的，所述可变卷积层的函数表达式为：可选的，所述可变卷积层的函数表达式为：
[0018]其中，y(p0)表示可变卷积层输出的p0处的特征值，p0是输入可变卷积层的特征图中的任意位置，p
n
为p0为中心的网格R中的第n个采样位置，网格R为3
×
3的卷积核，Δp
n
为p
n
的偏移量，x(p0+p
n
+Δp
n
)表示输入可变卷积层的特征图中的p0+p
n
+Δp
n
处的特征值。
[0019]可选的，利用所述样本集对改进YOLOv5模型进行训练的过程中采用的总损失函数为：
[0020][0021]其中，L表示总损失函数，N表示锚点的数量，i表示第i个锚点，obj
i
表示用于区分前景与背景的二进制值，L
reg
、L
CSL
、L
cls
、L
iou
分别表示回归损失函数、角度损失函数、类别损失函数和边框损失函数，(x,y)表示历史种苗样本图像中种苗的标注方框的中心点坐标，l和s分别表示标注方框的长变和短边，θ表示标注方框的长边与水平轴的顺时针夹角，CSL(θ)表示标注方框的长边与水平轴的顺时针夹角为θ时的角度类别，λ1、λ2、λ3和λ4分别表示回归损失函数、角度损失函数、类别损失函数和边框损失函数的权重。
[0022]可选的，所述回归损失函数为：
[0023]其中，a表示预测方框和标注方框的差异值，表示平滑函数，
[0024]所述角度损失函数为：
[0025]其中，M表示角度类别总数，θn为角度类别，y
iθn
为第i个锚点的角度符号函数，角度类别为真则取1，反之取0，P
iθn
为第i个锚点的角度类别属于角度类别θn的概率；
[0026]所述类别损失函数为：
[0027]其中，C表示种苗类别的数量，表示第i个锚点的种苗类别属于种苗类别c
n
的概率，表示第i个锚点类别函数；
[0028]所述边框损失函数为：
[0029]其中，IoU表示预测方框与标注方框的交并比，C表示覆盖在预测方框与标注方框之间的最小框，B为预测方框，B
gt
为标注方框。
[0030]一种种苗旋转框目标检测系统，所述系统包括：
[0031]标注模块，用于对多个历史种苗样本图像进行标注，获得每个历史种苗样本图像的标签，构建包含历史种苗图像和历史种苗图像的标签的样本集；
[0032]模型训练模块，用于利用所述样本集对改进YOLOv5模型进行训练，获得训练后的改进YOLOv5模型，作为目标检测模型；所述改进YOLOv5模型为将YOLOv5模型中的CBL结构中的卷积替换为可变性卷积，且将YOLOv5模型中头部网络替换为解耦头部网络得到的；
[0033]检测模块，用于将待测种苗图像输入目标检测模型，获得种苗检测结果。
[0034]可选的，历史种苗样本图像的标签为(c,x,y,l,s,CSL(θ))；
[0035]其中，c为历史种苗样本图像中种苗的类别；x,y表示历史种苗样本图像中种苗的标注方框的中心点坐标；l和s分别表示标注方框的长变和短边；θ表示标注方框的长边与水平轴的顺时针夹角，CSL(θ)表示标注方框的长边与水平轴的顺时针夹角为θ时的角度类别；
[0036][0037]其中，g(
·
)为窗口函数，r为窗口函数的半径，θ
′
为角度类别参数。
[0038]可选的，所述改进YOLOv5模型包括顺次连接的骨干网络、颈部网络和解耦头部网络；
[0039]所述均骨干网络包括顺次连接的Focus结构、CSP1_1结构、第一CSP1_3结构、第二CSP1_3结构和SPP结构；所述CSP结构包括第一卷积层、第一归一化层和第一Leaky_relu激活函数，所述第一CSP1_3结构和所述第二CSP1_本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种种苗旋转框目标检测方法，其特征在于，所述方法包括如下步骤：对多个历史种苗样本图像进行标注，获得每个历史种苗样本图像的标签，构建包含历史种苗图像和历史种苗图像的标签的样本集；利用所述样本集对改进YOLOv5模型进行训练，获得训练后的改进YOLOv5模型，作为目标检测模型；所述改进YOLOv5模型为将YOLOv5模型中的CBL结构中的卷积替换为可变性卷积，且将YOLOv5模型中头部网络替换为解耦头部网络得到的；将待测种苗图像输入目标检测模型，获得种苗检测结果。2.根据权利要求1所述的种苗旋转框目标检测方法，其特征在于，历史种苗样本图像的标签为(c,x,y,l,s,CSL(θ))；其中，c为历史种苗样本图像中种苗的类别；(x,y)表示历史种苗样本图像中种苗的标注方框的中心点坐标；l和s分别表示标注方框的长变和短边；θ表示标注方框的长边与水平轴的顺时针夹角，CSL(θ)表示标注方框的长边与水平轴的顺时针夹角为θ时的角度类别；其中，g(
·
)为窗口函数，r为窗口函数的半径，θ
′
为角度类别参数。3.根据权利要求1所述的种苗旋转框目标检测方法，其特征在于，所述改进YOLOv5模型包括顺次连接的骨干网络、颈部网络和解耦头部网络；所述均骨干网络包括顺次连接的Focus结构、CSP1_1结构、第一CSP1_3结构、第二CSP1_3结构和SPP结构；所述CSP结构包括第一卷积层、第一归一化层和第一Leaky_relu激活函数，所述第一CSP1_3结构和所述第二CSP1_3结构均包括改进CBL模块、残差模块、第二卷积层和Concate层，所述改进CBL模块包括可变卷积层、第二归一化层和第二Leaky_relu激活函数；所述颈部网络包括三个下采样层和三个上采样层；所述解耦头部网络包括第三卷积层，与所述第三卷积层并行连接的解耦分支和分类分支；所述解耦分支包括第四卷积层、回归框损失函数和边框损失，所述分类分支包括全连接层、类别损失函数和角度损失。4.根据权利要求3所述的种苗旋转框目标检测方法，其特征在于，所述可变卷积层的函数表达式为：其中，y(p0)表示可变卷积层输出的p0处的特征值，p0是输入可变卷积层的特征图中的任意位置，p
n
为p0为中心的网格R中的第n个采样位置，网格R为3
×
3的卷积核，Δp
n
为p
n
的偏移量，x(p0+p
n
+Δp
n
)表示输入可变卷积层的特征图中的p0+p
n
+Δp
n
处的特征值，w(p
n
)表示输入可变卷积层的特征图中的p0+p
n
+Δp
n
处的特征值的权重。5.根据权利要求1所述的种苗旋转框目标检测方法，其特征在于，利用所述样本集对改进YOLOv5模型进行训练的过程中采用的总损失函数为：其中，L表示总损失函数，N表示锚点的数量，i表示第i个锚点，obj
i
表示用于区分前景与背景的二进制值，L
reg
、L
CSL
、L
cls
、L
iou
分别表示回归损失函数、角度损失函数、类别损失函数
和边框损失函数，(x,y)表示历史种苗样本图像中种苗的标注方框的中心点坐标，l和s分别表示标注方框的长变和短边，θ表示标注方框的长边与水平轴的顺时针夹角，CSL(θ)表示标注方框的长边与水平轴的顺时针夹角为θ时的角度...

【专利技术属性】
技术研发人员：徐大伟，胡东阳，王家豪，翟永杰，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：