基于小目标检测和改进YOLOv5的麦穗计数检测方法技术

基于小目标检测和改进YOLOv5的小麦计数检测方法，主要包括收集田间麦穗头不同角度下的图像；对收集的麦穗图像利用数据增强对图像数量进行扩充；对麦穗图像进行YOLOv5格式的标注并标注麦穗头的方位坐标，形成数据集；利用Mosaic

【技术实现步骤摘要】
基于小目标检测和改进YOLOv5的麦穗计数检测方法


[0001]本专利技术涉及小目标检测及作物产量预测技术，具体涉及基于图像增强和改进YOLOv5，属于计算机智慧农业信息化建设方向。

技术介绍

[0002]小麦是全球一种重要的粮食作物，近三分之一的人口食用小麦。当前小麦产量预测已成为农业生产的重要组成部分。可为田间管理和农业决策提供必要的参考。因此，准确鉴定和计数小麦穗对监测作物生长、估算产量和分析植株表型特征具有重要意义。
[0003]小麦穗数采集主要采用田间人工产量预测、容量预测、基于年情景的预测和基于遥感影像的预测。人工野外判断以经验判断为主，准确率低，且劳动密集型。体积法测定小麦密度成本高，效率低。遥感是以卫星图像为样本的。由于这些图像距离较远，只适合大规模处理和分析，导致小麦预测精度较低。同时，基于多元线性回归的预测方法受降水等变量的影响较大，精度难以保证，不适合野外产量估算。传统的图像处理技术往往采用移动窗方法或超像素分割来获取图像，从子图像中提取颜色或纹理特征，然后训练分类器，利用分类器识别麦穗并完成计数，或者通过图像处理方法对麦穗进行高亮处理，如对图像进行二值化处理，去除后放置麦穗粘附。相比之下，视觉传感器可以以较低的成本获取丰富的纹理和颜色信息。但小麦的色质特征影响检测的准确性。因此，在自然环境中检测和计数小麦穗仍然是一个重大的挑战。
[0004]随着图像处理技术的发展，前人的研究表明，利用机器学习的方法建立了小麦穗检测分类器，从而实现了小麦穗的检测和计数。Xu等人利用k
‑
means算法对小麦穗进行分割，实现识别。虽然基于机器学习方法进行了小麦穗的识别，但大多数小麦穗的识别仍需要先验知识来人工建立图像特征，这导致在光照不均匀、背景复杂等噪声干扰的田间环境下识别精度不足。同时，由于模型缺乏泛化能力，传统的机器学习方法在不同场景下难以检测和计数小麦数量。

技术实现思路

[0005]针对上述问题，本专利技术公开了基于小目标检测和改进YOLOv5的麦穗计数检测方法，基于重组后的图像进行麦穗检测，解决了大田图像场景较复杂、麦穗检测头尺寸太小、鲁棒性差、检测准确率较低的问题。
[0006]本专利技术是一种基于小目标检测和改进YOLOv5的麦穗计数检测方法，包括以下步骤：步骤1，构建小麦麦穗头数据集：通过实地拍摄收集小麦稻田图像，通过数据增强扩充图像数量，然后利用Labelme标注工具按照符合YOLOv5的格式对扩展后的图像进行标注，并划分图像为训练集和测试集；步骤2，通过改进Mosaic
‑
8数据增强方式，对八张图片进行拼接，每一张图片都有其对应的框，将八张图片拼接之后就获得一张新的图片，同时也获得这张图片对应的框，这样一张新的图片传入到神经网络当中去学习，相当于一次传入八张图片进行学习极大丰富了检测物体的背景；步骤3，构建改进后的YOLOv5的麦穗计数检测模型对
小麦数量进行检测，该系统包括依次连接的用于特征提取的Backbone网络、用于特征融合Neck网络和用于预测的Head网络。其中在原有模型的基础上为了提升模型对小目标检测的敏感度，在Backbone网络中引入注意力机制，将CBAM注意力机制添加进C3模块，同时在Neck网络中加入4倍下采样构成新的浅层特征层并将步骤2输出图像输入改进后的YOLOv5网络中，以输出不同尺寸大小的预测病害目标；步骤4，基于测试集，验证麦穗计数系统的准确率：将测试集中的图像输入改进后YOLOv5目标检测模型，得到麦穗头位置和计数的检测结果。
[0007]在上述技术方案中，本专利技术提供的一种基于小目标检测和改进YOLOv5的麦穗计数检测方法，具有以下有益效果：
[0008]1、采用Mosaic
‑
8数据增强，丰富了数据集，同时增加了小样本目标，可以提升网络训练速度，在进行归一化操作时，可以一次性计算8张图片，能有效达到降低模型对内存的需求，其中合理引入一些随机噪声，增强网络模型对图像中小目标样本的区分力，提升模型的泛化力。
[0009]2、改进特征提取模型，在YOLOv5骨干网络的基础上对原始输入图片增加一个4倍下采样的过程，原始图片经过4倍下采样后送入到特征融合网络得到新尺寸的特征图，该特征图感受野较小，位置信息相对丰富，可以提升小目标麦穗头的检测效果；改进特征融合网络，通过自顶向下和自底向上的特征信息融合有利于模型更好的学习到特征，增强模型对小目标和遮挡目标的敏感度。
[0010]3、改进目标框公式，综合考虑了真实框与预测框之间的重叠率、中心点距离、长宽比，能使得目标框回归更加稳定，收敛的精度更高。
[0011]4、本专利技术通过引入注意力机制，注意力机制作用在特征图之上，通过获取特征图中的可用注意力信息，能够达到更好的任务效果。
[0012]5、本专利技术在YOLOv5网络中添加了CBAM模块，由于CBAM模型在通道注意力模块中加入了全局最大池化操作，它能在一定程度上弥补全局平均池化所丢失的信息。使YOLOv5网络不仅能更为准确地对目标进行分类识别，而且能更为精准地定位目标所在的位置。
附图说明
[0013]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0014]图1为Mosaic数据增强流程图，图2为Mosaic
‑
8数据增强细节图，图3为CBAM网络结构图，图4为改进后的特征提取模型图，图5为改进后的特征融合网络图，图6为整体网络结构图，图7是本专利技术实施方式的检测结果图，图8是本专利技术实施方式的热力图。
[0015]实施方式
[0016]如图1所示，本专利技术是一种基于小目标检测和改进YOLOv5的麦穗计数检测方法，包括以下步骤：步骤1，构建小麦麦穗头数据集：通过实地拍摄收集小麦稻田图像，通过数据增强扩充图像数量，然后利用Labelme标注工具按照符合YOLOv5的格式对扩展后的图像进行标注，并划分图像为训练集和测试集；步骤2，通过改进Mosaic
‑
8数据增强方式，对八张图片进行拼接，每一张图片都有其对应的框，将八张图片拼接之后就获得一张新的图片，同时也
获得这张图片对应的框，这样一张新的图片传入到神经网络当中去学习，相当于一次传入八张图片进行学习极大丰富了检测物体的背景；步骤3，构建改进后的YOLOv5的麦穗计数检测模型对小麦数量进行检测，该系统包括依次连接的用于特征提取的Backbone网络、用于特征融合Neck网络和用于预测的Head网络。其中在原有模型的基础上为了提升模型对小目标检测的敏感度，在Backbone网络中引入注意力机制，将CBAM注意力机制添加进C3模块，同时在Neck网络中加入4倍下采样构成新的浅层特征层并将步骤2输出图像输入改进后的YOLOv5网络中，以输出不同尺寸大小的预测病害目标；步骤4，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于小目标检测和改进YOLOv5的麦穗计数检测方法，其特征在于，其步骤为：步骤1，构建小麦麦穗头数据集：通过实地拍摄收集小麦稻田图像，通过数据增强扩充图像数量，然后利用Labelme标注工具按照符合YOLOv5的格式对扩展后的图像进行标注，并划分图像为训练集和测试集；步骤2，通过改进Mosaic
‑
8数据增强方式，对八张图片进行拼接，每一张图片都有其对应的框，将八张图片拼接之后就获得一张新的图片，同时也获得这张图片对应的框，这样一张新的图片传入到神经网络当中去学习，相当于一次传入八张图片进行学习极大丰富了检测物体的背景；步骤3，构建改进后的YOLOv5的麦穗计数检测模型对小麦数量进行检测，该系统包括依次连接的用于特征提取的Backbone网络、用于特征融合Neck网络和用于预测的Head网络。其中在原有模型的基础上为了提升模型对小目标检测的敏感度，在Backbone网络中引入注意力机制，将CBAM注意力机制添加进C3模块，同时在Neck网络中加入4倍下采样构成新的浅层特征层并将步骤2输出图像输入改进后的YOLOv5网络中，以输出不同尺寸大小的预测病害目标；步骤4，基于测试集，验证麦穗计数系统的准确率：将测试集中的图像输入改进后YOLOv5目标检测模型，得到麦穗头位置和计数的检测结果。2.根据权利要求1所述的基于小目标检测和改进YOLOv5的麦穗计数检测方法，其特征在于，所述数据增强为：首先，对图像进行线性亮度和对比度调整；其次，对处理过的图像进行尺度变换，以调整至640
×
640统一大小；最后，通过翻转和添加高斯噪声对图像数据集随机添加噪声干扰并进行高斯滤波，实现图像集的扩充。3.根据权利要求2所述的基于小目标检测和改进YOLOv5的麦穗计数检测方法，其特征在于，对图像进行标注即为对图像进行分类，标注小麦图像的麦穗头位置，按照一定比例划分为训练集和检测集。4.根据权利要求1所述的基于小目标检测和改进YOLOv5的麦穗计数检测方法，其特征在于，使用Mosaic
‑
8数据增强方法对其数据集进行数据增强，即采用8张图片随机裁剪、随机排列、随机缩放，然后组合成一张图片，以此来增加样本的数据量，实现丰富数据集的同时，增加了小样本目标，提升网络的训练速度和模型的泛化力。在进行归一化操作的同时，会一次性计算八张图片，因此模型对内存的需求降低。5.根据权利要求1...

【专利技术属性】
技术研发人员：李睿，何玉环，武雁鹏，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：