【技術實現步驟摘要】
本專利技術涉及圖像處理，具體涉及一種基于改進yolov5s非結構化環境下的多目標害蟲檢測方法和系統。
技術介紹
1、小麥、水稻和甘蔗等作為我國主產區眾多的主要農作物，其蟲害問題一直是農業生產中需要重點關注和解決的問題。過去，這類作物的害蟲識別觀測工作多是通過采用人工方式進行。在大規模的蟲害識別過程中，由于害蟲種類繁多、農田種植面積大，一方面，人工識別觀測需要提前對技術人員進行技能培養；另一方面，依賴農業技術人員對害蟲進行實地觀察和勞動密集型的病蟲害計數來預測蟲害嚴重程度，存在費時費力、主觀性強、易出錯且預測滯后等問題，難以有效開展。害蟲防治信息的延后導致了大規模無目的的施用農藥，農藥的過度施用也引發了人們對環境的擔憂，這類情況強調了創新和環保技術解決方案的必要性，從而能夠實時和準確地檢測害蟲。近年來，隨著新型農業物聯網設備的引入和機器視覺與深度學習在農業領域的快速發展，人工費時費力的難題得到了有效緩解。但少數的害蟲檢測則因害蟲目標在圖像中尺寸相對較小、自然環境復雜、新興技術使用門檻過高等問題效果不佳，難以投入實際農業生產的工程應用中。
2、現代機器視覺技術不斷進步，深度學習作為新興手段，在害蟲的圖像識別、目標檢測、實例分割等眾多任務中表現卓越，成效顯著。同時，在移動設備算力不斷加強的驅動下，深度學習技術與硬件設備得到了有效結合，害蟲監測任務有望進一步的拓寬應用場景并降低使用門檻，為機器視覺下的害蟲檢測、計數和工程應用提供了更多可能。因此，急需提供一種有效可行的害蟲檢測方法與應用。
3、上述問題是目前亟待解
技術實現思路
1、針對現有問題，本專利技術設計了一種基于改進yolov5s非結構化環境下的多目標害蟲檢測方法和系統。目的在于提供一種有效可行的害蟲檢測方法與應用。
2、為了要克服現有技術的上述至少一個缺點，一方面，本專利技術實施例提供了一種基于改進yolov5s非結構化環境下的多目標害蟲檢測方法，所述方法包括：s1：采集被甘蔗蚜蟲侵擾的作物圖像，并對圖像進行預處理作為第一目標數據集；s2：將所述第一目標數據集與優化標注后的agripest數據集進行隨機選取并重新組合制作成第二目標數據集；s3：將所述第二目標數據集進行劃分為訓練集、驗證集和測試集；s4：以yolov5s網絡模型為基準模型構建改進的yolov5s網絡模型作為多目標害蟲檢測網絡模型，包括：去除yolov5s網絡四個檢測頭中大檢測頭，通過ghostnet模塊重構主干網絡用于特征提取，引入bifpn模塊至fpn部分進行特征融合，將頸部網絡中的普通卷積模塊替換為dwconv模塊，輸出特征被送入添加了cbam模塊的檢測器進行特征點判斷；s5：將訓練集輸入至所述多目標害蟲檢測網絡模型中進行模型訓練；s6：基于訓練結果改進多目標害蟲檢測網絡模型參數得到訓練后的多目標害蟲檢測網絡模型；s7：將驗證集輸入至所述訓練后的多目標害蟲檢測網絡模型中進行模型評估；s8：將測試集輸入至所述訓練后的多目標害蟲檢測網絡模型中得到多目標害蟲檢測結果。
3、進一步的，所述步驟s4中通過ghostnet模塊重構主干網絡用于特征提取包括：s41:使用步長為1的ghost?bottleneck模塊替換原yolov5s網絡模型中的c3模塊，使用步長為2的ghost?bottleneck模塊替換原yolov5s網絡模型中的普通卷積conv，形成了ghostnet模塊為主干的特征提取網絡。
4、進一步的，所述ghost?bottleneck模塊中的卷積過程包括：s411：通過常規卷積得到本征特征圖，用于提取輸入數據的基本特征；s412：對每個通道的特征圖應用線性變換產生ghost特征圖，包括通過使用深度可分離卷積對每個通道進行深度卷積，生成ghost特征圖；s413：將所述本征特征圖和ghost特征圖拼接起來，得到最終的輸出特征圖。
5、進一步的，所述步驟s4中引入bifpn模塊至fpn部分進行特征融合包括：s42：刪除特征金字塔網絡，用于減弱對整體網絡影響度，同時簡化雙向網絡；s43：添加同一特征層的原始輸入節點和輸出節點連接邊，用于減弱計算成本增量。
6、進一步的，所述步驟s4中將頸部網絡中的普通卷積模塊替換為dwconv模塊包括：s44：兩個ghost?bottleneck模塊之間通過一個步長為2的深度可分離卷積dwconv進行連接，將dwconv替換頸部卷積bifpn模塊中所有普通卷積塊conv。
7、進一步的，所述步驟s4中輸出特征被送入添加了cbam模塊的檢測器進行特征點判斷包括：s45：將cbam模塊集成到頸部網絡的下采樣步進中，c3模塊的輸出通過cbam模塊傳輸到檢測頭。
8、進一步的，所述cbam模塊包括兩個獨立的卷積步驟依次推斷輸入特征圖，分別為通道注意力模塊和空間注意力模塊，工作流程包括：s451：給定一個中間特征圖f∈rc×h×w作為輸入，在通道注意力模塊中對輸入圖片f按通道進行全局最大池化和全局平均池化，得到兩個一維向量；s452：向量通過一個全連接層運算，進行逐元素加和操作和sigmoid激活操作，生成一維的通道注意力機制特征圖mc∈rc×1×1；s453：如式將mc與輸入特征映射f進行逐元素乘法運算，得到通道注意力調整的特征映射f′；s454：按空間進行全局最大池化和平均池化；s455：將池化生成的兩個二維向量拼接后進行卷積運算；s456：降維后的特征圖經過sigmoid激活操作，生成空間注意力特征圖ms∈r1×h×w；s457：將空間注意力特征圖ms和輸入特征映射f’做乘法，得到最終生成的特征式中，表示逐元素相乘法，在乘法運算期間，mc表示在通道維度上做注意力提取操作，mc(f)表示采用通道注意力機制所得來的權重系數，ms表示在空間維度上做注意力提取操作，ms(f′)表示采用空間注意力機制所得來的權重系數，f′表示輸入特征圖f經過通道注意力調整后的特征圖輸出，f″表示最終的精確輸出。
9、進一步的，所述步驟s4中去除yolov5s網絡四個檢測頭中大檢測頭包括：s46：在頸部網絡中，增加了新的p2小尺度預測頭，包括160×160×128的上采樣步驟，去除了大目標預測頭，包括20×20×1024的特征層輸出。
10、進一步的，所述步驟s7將驗證集輸入至所述訓練后的多目標害蟲檢測網絡模型中進行模型評估包括：將驗證集輸入至訓練后的多目標害蟲檢測網絡模型中，基于所述多目標害蟲檢測網絡模型的查準率p、召回率r和平均精度均值map對其進行評估；式中，tp為預測正確的正樣本數量，fn為預測錯誤的負樣本數量，fp為預測錯誤的正樣本數。
11、第二方面，本專利技術還提供了一種基于改進yolov5s非結構化環境下的多目標害蟲檢測系統，所述系統包括：生成第一目標數據集單元，適用于采集被甘蔗蚜蟲侵擾的作物圖像，并對圖像進行預處理作為第一目標數據集；生成第二目標數據集單元，適用于將所述第一目標數據集與優化標注后的agripest數據集進行隨機選取并重新組合本文檔來自技高網...
【技術保護點】
1.一種基于改進YOLOv5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于改進YOLOv5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述步驟S4中通過GhostNet模塊重構主干網絡用于特征提取包括：
3.根據權利要求2所述的基于改進YOLOv5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述Ghost?Bottleneck模塊中的卷積過程包括：
4.根據權利要求1所述的基于改進YOLOv5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述步驟S4中引入BiFPN模塊至FPN部分進行特征融合包括：
5.根據權利要求1所述的基于改進YOLOv5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述步驟S4中將頸部網絡中的普通卷積模塊替換為DWConv模塊包括：
6.根據權利要求1所述的基于改進YOLOv5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述步驟S4中輸出特征被送入添加了CBAM模塊的檢測器進行特征點判斷包括：
7.根據權利要求6
8.根據權利要求1所述的基于改進YOLOv5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述步驟S4中去除YOLOv5s網絡四個檢測頭中大檢測頭包括：
9.根據權利要求1所述的基于改進YOLOv5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述步驟S7將驗證集輸入至所述訓練后的多目標害蟲檢測網絡模型中進行模型評估包括：
10.一種基于改進YOLOv5s非結構化環境下的多目標害蟲檢測系統，其特征在于，所述系統包括：
...【技術特征摘要】
1.一種基于改進yolov5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于改進yolov5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述步驟s4中通過ghostnet模塊重構主干網絡用于特征提取包括：
3.根據權利要求2所述的基于改進yolov5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述ghost?bottleneck模塊中的卷積過程包括：
4.根據權利要求1所述的基于改進yolov5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述步驟s4中引入bifpn模塊至fpn部分進行特征融合包括：
5.根據權利要求1所述的基于改進yolov5s非結構化環境下的多目標害蟲檢測方法，其特征在于，所述步驟s4中將頸部網絡中的普通卷積模塊替換為dwconv模塊包括：
6.根據權利要求1所述的基于改...
【專利技術屬性】
技術研發人員：徐偉悅，孫浩楠，嚴強，吳沂澤，黃陸楠，
申請(專利權)人：常州大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。