【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。
[0 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。