基于改进YOLO模型的粮仓通风特征信息检测方法及系统技术方案

本发明专利技术涉及一种基于改进YOLO模型的粮仓通风特征信息检测方法及系统。所述特征信息为粮食品种、粮面是否平整、粮面是否有压盖物、仓窗密封状态及风机转动状态，这些特征信息会对粮仓的通风效果造成影响。该检测方法首先采集待测粮仓内的多个采集点的图像并预处理得到原始数据集。然后将原始数据集分类并划分为训练集、测试集和验证集。再构建YOLO模型并改进，从而对其训练、评估和调整优化。最后实时监测待测粮仓内的多个采集点图像并分别输入至改进后的YOLO模型中，识别出待测粮仓的多个特征信息。该检测方法及系统可以用来自动化实时监测粮仓通风的特征信息，节约人力成本，同时可以根据特征信息及时调整粮仓通风状态，提升通风效果。风效果。风效果。

【技术实现步骤摘要】
基于改进YOLO模型的粮仓通风特征信息检测方法及系统


[0001]本专利技术涉及粮仓通风管理
，特别是涉及一种基于改进YOLO模型的粮仓通风特征信息检测方法，还涉及应用该检测方法的特征信息检测系统，以及应用该检测方法的计算机终端以及计算机可读存储介质。

技术介绍

[0002]粮仓的粮食储藏过程中，随着粮食发热、发霉、陈化等生理变化，加快害虫繁衍速率，易造成粮食损失。适时对粮仓通风，可有效降低粮食的损失。当下许多粮仓都安装了智能通风系统，能够实时监控粮仓及其内部的粮堆的温、湿度等状况，当某些参数超出预定界限时，能够对粮仓进行通风控制，或切换通风模式。
[0003]现有的粮仓在通风过程中，一些粮仓通风辅助用的特征信息，例如粮食的品种、粮堆的粮面是否平整、粮面是否有压盖物等，这些参数也会对通风效果存在影响。然而目前一般由粮仓的管理人员来定期人工识别这些参数信息并记录抄送，对于粮食储备量较多的大型粮仓，这种方式存在效率低下、耗费人力等弊端。另外，在粮仓通风过程中，一般根据下发的指令和电平高低去判断各个硬件设备的状态，例如控制电动推杆打开仓窗，然而有时下发了开窗指令，系统已经认为窗户是打开的，但是由于仓窗的支撑杆发生形变弯曲或者粮食掉落在仓窗上等原因，造成仓窗不能打开或完全打开，从而影响实际的通风效果。

技术实现思路

[0004]基于此，有必要针对现有粮仓通风过程中，难以高效检测出与通风相关的特征信息的技术问题，本专利技术提供一种基于改进YOLO模型的粮仓通风特征信息检测方法及系统。
[0005]本专利技术公开一种基于改进YOLO模型的粮仓通风特征信息检测方法，包括以下的步骤S1至S6。
[0006]S1.采集一个待测粮仓内的多个采集点的图像并进行图像预处理，以此得到原始数据集。
[0007]S2.将原始数据集中的图像分类并按照一个预设比例划分为训练集、测试集和验证集。
[0008]S3.基于神经网络构建YOLO模型。
[0009]其中，YOLO模型是目标检测模型，用于识别与多个采集点相对应的多个相关的特征信息；特征信息为粮食品种、粮面平整、粮面压盖状态、仓窗密封状态或风机转动状态；神经网络包括卷积层、归一化层、激活函数和下采样层；
[0010]S4.对YOLO模型进行改进，得到改进YOLO模型；
[0011]其中，YOLO模型的改进方法至少包括以下过程：
[0012]S41.按照采集点目标类型为YOLO模型规划逐帧识别通道和跳帧识别通道。
[0013]S42.使用MobileNetV3改进YOLO模型的网络结构。
[0014]S43.采用Distance
‑
IoU作为YOLO模型的边界损失函数。
[0015]S44.引入权重系数改进所述YOLO模型的特征融合方式；
[0016]S5.利用训练集训练相应的改进YOLO模型，再根据测试集评估改进YOLO模型的性能，并利用验证集调整改进YOLO模型的参数及选择特征，对改进YOLO模型进行优化。
[0017]S6.实时监测待测粮仓内的多个采集点的状态，并将实时采集的各个图像分别输入至优化后的改进YOLO模型中，进而识别出待测粮仓的多个特征信息。
[0018]作为上述方案的进一步改进，S1中，对图像的预处理具体包括以下过程：
[0019]分别对一幅原始图像进行灰度处理和中值滤波处理。
[0020]作为上述方案的进一步改进，灰度处理过程中，灰度线性变化函数的表达式为：
[0021][0022]式中，f(x,y)和g(x,y)分别为原始图像和灰度处理后的图像中(x,y)坐标的像素值。[a,b]为变换前f(x,y)的灰度范围。[c,d]为变换后g(x,y)的灰度范围。
[0023]中值滤波处理的表达式为：
[0024]z(x,y)＝med{h(x
‑
k,y
‑
l),(k,l∈W)}
[0025]式中，h(x,y)和z(x,y)分别为原始图像和中值滤波处理后的图像中(x,y)坐标的像素值。W为二维模板。k、l表示分别表示x、y坐标的移动值。
[0026]作为上述方案的进一步改进，S2中，训练集、测试集和验证集的预设比例为6:2:2。
[0027]作为上述方案的进一步改进，按照特征信息的目标类型将待检测的图像由逐帧识别通道或跳帧识别通道输入至改进YOLO模型；
[0028]其中，目标类型为粮食、仓窗或风机；其中，当采集点的目标类型为粮食时，则将待检测的图像由跳帧识别通道输入至改进YOLO模型；当采集点的目标类型为仓窗或风机时，则将待检测的图像由逐帧识别通道输入至改进YOLO模型。
[0029]作为上述方案的进一步改进，采用批归一化的方法对神经网络中间层的输出进行标准化处理，具体计算过程如下：
[0030]1)采用如下公式计算mini
‑
batch内样本的均值μ
B
：
[0031][0032]式中，x
i
表示mini
‑
batch中第i个样本。i＝1,2,3
…
m。m表示样本总数量。
[0033]2)采用如下公式计算mini
‑
batch内样本的方差
[0034][0035]3)经如下公式的两次计算，得到标准化之后的输出y
i
：
[0036][0037][0038]式中，ε为一个用于防止分母为0的微小值。表示一个输出中间值。λ和β均为可学习参数，二者的初始值为λ＝1，β＝0。
[0039]作为上述方案的进一步改进，在S6之后，基于改进YOLO模型的粮仓通风特征信息
检测方法还包括以下步骤：
[0040]S7.根据识别出的特征信息分别判断各个采集点的硬件状态或粮食状态是否符合预期，并在相关状态不符合预期时获得对应的异常行为信息。
[0041]本专利技术还公开一种基于改进YOLO模型的粮仓通风特征信息检测系统，其应用上述任意一项基于视频识别模型的粮仓通风特征信息检测方法。检测系统包括：视频采集模块、数据处理模块、通信模块、服务器模块、视频识别模块以及用户终端模块。
[0042]视频采集模块用于采集一个待测粮仓内的多个采集点的图像。
[0043]数据处理模块用于对采集得到的图像进行预处理，以此得到原始数据集。还用于将原始数据集中的图像分类并按照一个预设比例划分为训练集、测试集和验证集。
[0044]通信模块用于接收数据处理模块处理后的数据，并配置好网络信息将数据发送至对应的一个数据库服务器中。
[0045]服务器模块包括数据库服务器和云平台服务器。数据库服务器用于储存数据处理模块处理完成的数据信息。云平台服务器用于部署改进YOLO模型。
[0046]视频识别模块采用划分好的的训练集、测试集以及验证集分别对视频识别模型进行训练、性能验证，以及参数和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，包括以下步骤：S1.采集一个待测粮仓内的多个采集点的图像并进行图像预处理，以此得到原始数据集；S2.将所述原始数据集中的图像分类并按照一个预设比例划分为训练集、测试集和验证集；S3.基于神经网络构建YOLO模型；其中，所述YOLO模型是目标检测模型，用于识别与多个采集点相对应的多个相关的特征信息；所述特征信息为粮食品种、粮面是否平整、粮面是否有压盖物、仓窗密封状态或风机转动状态；所述神经网络包括卷积层、归一化层、激活函数和下采样层；S4.对所述YOLO模型进行改进，得到改进YOLO模型；其中，所述YOLO模型的改进方法至少包括以下过程：S41.按照采集点目标类型为所述YOLO模型规划逐帧识别通道和跳帧识别通道；S42.使用MobileNetV3改进所述YOLO模型的网络结构；S43.采用Distance
‑
IoU作为所述YOLO模型的边界损失函数；S44.引入权重系数改进所述YOLO模型的特征融合方式；S5.利用所述训练集训练相应的所述改进YOLO模型，再根据所述测试集评估所述改进YOLO模型的性能，并利用所述验证集调整所述改进YOLO模型的参数及选择特征，对所述改进YOLO模型进行优化；S6.实时监测所述待测粮仓内的多个采集点的状态，并将实时采集的各个图像分别输入至优化后的所述改进YOLO模型中，进而识别出所述待测粮仓的多个特征信息。2.根据权利要求1所述的基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，S1中，对所述图像的预处理具体包括以下过程：分别对一幅原始图像进行灰度处理和中值滤波处理。3.根据权利要求2所述的基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，所述灰度处理过程中，灰度线性变化函数的表达式为：式中，f(x,y)和g(x,y)分别为原始图像和灰度处理后的图像中(x,y)坐标的像素值；[a,b]为变换前f(x,y)的灰度范围；[c,d]为变换后g(x,y)的灰度范围；所述中值滤波处理的表达式为：z(x,y)＝med{h(x
‑
k,y
‑
l),(k,l∈W)}式中，h(x,y)和z(x,y)分别为原始图像和中值滤波处理后的图像中(x,y)坐标的像素值；W为二维模板；k、l表示分别表示x、y坐标的移动值。4.根据权利要求1所述的基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，S2中，训练集、测试集和验证集的预设比例为6:2:2。5.根据权利要求1所述的基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，按照所述特征信息的目标类型将待检测的图像由逐帧识别通道或跳帧识别通道输入至所述改进YOLO模型；其中，所述目标类型为粮食、仓窗或风机；其中，当所述采集点的目标类型为粮食时，则
将待检测的图像由跳帧识别通道输入至所述改进YOLO模型；当所述采集点的目标类型为仓...

【专利技术属性】
技术研发人员：张红伟，梁凯，芮丹薇，徐赛，刘孜昂，吴凡，朱军，周健，程国红，
申请(专利权)人：安徽大学，
类型：发明
国别省市：