【技术实现步骤摘要】
本专利技术涉及小麦仓储粮虫检测领域，特别涉及基于yolov8m和shufflenetv2网络的小麦仓储粮虫检测方法。
技术介绍
1、小麦作为中国基本口粮之一，其安全问题不容忽视，小麦入库后，害虫问题是影响小麦储存的主要因素，时检测害虫成为维护粮食安全的重要手段；传统粮虫检测方法主要依靠人工辨别粮食中害虫的种类，使用我国粮食局推荐标准方法ls/t 1211-2008中规定的取样筛检法和探管诱捕法来检测粮食中害虫密度，取样筛检法劳动量大，效率低下，误差较大；探管诱捕法对活动量小的害虫检测效果较差，且两种方法受主观因素影响较大。
2、随着深度学习理论的发展，目标检测算法在粮虫检测中展示了其不可替代的优势，算法分为基于候选区域的两步算法和基于回归的一步算法，基于候选区域的两步算法指的是两步实现的采用cnn卷积神经网络的目标检测方法，将候选区域选取和特征提取融入到了深度学习的框架中，实现了端到端的优化，粮虫检测的准确性和检测速度相比人工检测得到了显著提升，yolo模型以其一步输出的特点将目标检测推动到了新的阶段。
3、现有的仓储的粮虫在检测和预警方面速度以及效率方面仍然不能有效的及时的进行发现，不能够及时的发现进行处理粮虫，从而使仓储中粮食遭到损坏，造成一定的损失。
技术实现思路
1、本专利技术的一个目的是要提供一种至少解决上述技术问题任一方面的基于yolov8m和shufflenetv2网络的小麦仓储粮虫检测方法。
2、本专利技术一个进一步的目的是要避免
3、本专利技术另一个进一步的目的是要提高检测速度以及准确率，能够及时的预警和除虫。
4、特别地，本专利技术提供了基于yolov8m和shufflenetv2网络的小麦仓储粮虫检测方法，包括以下步骤：
5、s100：数据采集和预处理：利用手机等拍摄工具拍摄小麦仓储粮虫图像，并对采集的小麦仓储粮虫图像进行标注，数据增强和数据集划分操作，形成小麦仓储粮虫图像数据集；
6、s200：构建小麦仓储粮虫检测模型：基于yolov8m将其backbone部分更换为shufflenetv2网络构建出小麦仓储粮虫检测模型；
7、s300：小麦仓储粮虫检测模型的训练：将小麦仓储粮虫图像数据集输入小麦仓储粮虫检测模型进行训练；
8、s400：待检测小麦仓储粮虫图像的获取：获取待检测小麦仓储粮虫图像并进行预处理；
9、s500：小麦仓储粮虫检测结果的获得：将预处理后的待检测小麦仓储粮虫图像输入训练后的小麦仓储粮虫检测模型，得到小麦仓储粮虫检测结果。
10、进一步地，基于所述步骤s200中yolov8m构建小麦仓储粮虫检测模型，设定小麦仓储粮虫检测模型分为五部分：
11、第一部分为input，input作为输入端负责接收来自前端的图像数据，并对数据进行预处理，具体包括：输入数据集图片基础大小为640*640，进行图像缩放，mosaic数据增强操作且在最后10epoch关闭，通道维数调整操作；
12、第二部分为backbone，backbone作为骨干部分负责特征提取，backbone部分为darknet-53网络，主要部分c2f模块实现特征融合，使用bottleneck单元，block数为3-6-6-3；sppf模块实现局部特征和全局特征的feathermap级别的融合，具体结构为输入的feature map连续进入3个kernel size为5的卷积最大池化，随后将池化前的结果与每次池化后的结果concat，channel经过卷积升维到1024输出；
13、第三部分为neck部分，neck部分为pan-fpn负责特征层次结构提取，bakbone的layer4，layer6，layer9作为输入，经过上采样和通道融合，三个输出将数据送入head部分进行loss计算或者结果计算；
14、第四部分为head部分，head部分使用decoupled head和anchor-free负责将分类和识别两个任务分开，回归分支使用distribution focal loss中的积分形式表示法，损失函数的计算包括两部分，分类损失为vfl loss,回归损失为ciou loss+dfl loss；
15、第五部分为output部分，output部分负责输出模型预测结果，对图像中的目标进行识别和定位。
16、进一步地，设定所述步骤s200中shufflenetv2网络：
17、shufflenetv2网络使用channel split模块将模型的输入channels分为两部分，一部分直接向下传递，一部分进行向后计算，在模型末尾将上述两部分的输出channels数目级联，对最终输出的output feature maps进行randomshuffle操作；使用channelshuffle模块将堆叠的特征图的通道重新排序；stage模块由一个shufflenetv2下采样模块和若干个基本模块组成。
18、进一步地，更换shufflenetv2为主干网络：
19、对小麦仓储粮虫模型的backbone模块进行改进，将darknet-53网络更换为shufflenetv2网络，将三个初步的有效特征层相同shape的特征层进行加强特征提取，进行参数定设置以及网络结构定义；所述参数设置包括通道重排，分组卷积以及深度可分离卷积设置。
20、进一步地，添加注意力机制：
21、对小麦仓储粮虫检测模型的第二层backbone进行改进，在网络末端的添加squeeze-and-excitation networks注意力机制；
22、设定wiou损失函数：
23、设定yolov8模型中的分类损失为vfl loss，回归损失为ciou loss+dfl loss，
24、其中vfl loss定义如下：
25、
26、其中p为概率，q为预测框和真实框的交并比，两个框相交，即q＞0为正样本，两个框无相交；两个框无相交，q＝0，为负样本；
27、dfl loss定义如下：
28、
29、引入wiou loss代替ciou loss,通过引入权重概念提高衡量预测框和真实目标之间的相似性；wiou loss定义如下：
30、
31、
32、进一步地，所述s300步骤中所述小麦仓储粮虫检测模型的训练包括以下步骤：
33、s301：搭建python＝3.9，cuda＝11.6版本的pytorch神经网络训练环境；
34、s302：设置图像输入尺寸为640*640，初始学习率为0.01，模型训练批量尺寸为8，训练迭代周期为100；
35、s303：将仓储粮虫数据集输入小麦仓储粮虫检测模型，训练完成并生成最本文档来自技高网...
【技术保护点】
1.基于YOLOv8m和ShuffleNetv2网络的小麦仓储粮虫检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的小麦仓储粮虫检测方法，其特征在于，基于所述步骤S200中YOLOv8m构建小麦仓储粮虫检测模型，设定小麦仓储粮虫检测模型分为五部分：
3.根据权利要求1所述的小麦仓储粮虫检测方法，其特征在于，
4.根据权利要求3所述的小麦仓储粮虫检测方法，其特征在于，
5.根据权利要求4所述的小麦仓储粮虫检测方法，其特征在于，
6.根据权利要求1所述的基于YOLOv8m和ShuffleNetv2网络的小麦仓储粮虫检测方法，其特征在于，所述S300步骤中所述小麦仓储粮虫检测模型的训练包括以下步骤：
7.根据权利要求6所述的基于YOLOv8m和ShuffleNetv2网络的小麦仓储粮虫检测方法，其特征在于，所述S303步骤还包括以下部分：
【技术特征摘要】
1.基于yolov8m和shufflenetv2网络的小麦仓储粮虫检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的小麦仓储粮虫检测方法，其特征在于，基于所述步骤s200中yolov8m构建小麦仓储粮虫检测模型，设定小麦仓储粮虫检测模型分为五部分：
3.根据权利要求1所述的小麦仓储粮虫检测方法，其特征在于，
4.根据权利要求3所述的小麦仓储粮虫检测方法，其特征在于...
【专利技术属性】
技术研发人员：王甜甜，吕宗旺，孙福艳，甄彤，牛贺杰，关智中，刘珊珊，李雄飞，刘正钦，高飞，邱锦耀，郑惠香，
申请(专利权)人：河南工业大学，
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。