一种基于YOLOv5算法的机载热成像野生动物物种分类方法技术

本发明专利技术公开了一种基于YOLOv5算法的机载热成像野生动物物种分类方法，包括以下步骤：获取红外热成像的野生动物监测影像，将预处理后的所述野生动物监测影像输入至训练好的物种分类模型中进行物种分类，获得分类结果；所述物种分类模型是将YOLOv5算法模型中除主干网络的CSP结构内部以外的所有卷积层均替换为Ghost模块，并在主干网络中添加注意力机制模块SE，建成物种分类模型。本发明专利技术有效减小了模型的体量，参数更小，有效提高了计算效率及其准确率，为现有技术中的野生动物物种分类提供了新的方法。了新的方法。了新的方法。

【技术实现步骤摘要】
一种基于YOLOv5算法的机载热成像野生动物物种分类方法


[0001]本专利技术涉及物种识别
，更具体的说是涉及一种基于YOLOv5算法的机载热成像野生动物物种分类方法。

技术介绍

[0002]随着近年来计算机视觉的发展和硬件计算能力的提升，深度学习开始广泛应用于大数据分析、人工智能、图像处理等领域。目标检测是图像处理领域的一个重要分支，不仅要完成背景与目标的分类任务，如果包含目标则还需检出目标的精确位置信息，其方法主要分为两大类：基于传统人工特征的目标检测方法和基于深度学习的目标检测方法。传统的目标检测算法,多是基于滑动窗口模型,对手工特征进行提取、匹配,存在单一性、计算复杂、适用性不好的缺点,检测精度和速度较差。2012年AlexNet出现之后，因简单高效的深度网络提取的抽象特征表征能力远超传统特征，准确度和效率大幅提升,以卷积神经网络为代表的深度学习模型渐渐取代了传统的滑动窗口人工提取特征，成为了目标检测领域的主流方法。基于深度学习的目标检测算法主要分为两类，基于区域的双阶段方法和基于回归的单阶段方法。
[0003]双阶段算法需要先生成候选框再通过网络进行分类，代表算法有2014年GirshickR等提出的基于区域提取的R
‑
CNN算法。R
‑
CNN首先获取输入图像,然后利用选择性搜索算法提取大约2000个自下而上的区域,使用大型卷积神经网络计算每个提取区域的特征,最后使用特定的类线性SVM对每个区域进行分类。然而双阶段算法具有速度慢的缺陷，而单阶段算法直接对整张图像进行预测以实现分类和定位，代表算法有2016年RedmonJ等提出的YOLO(YouOnlyLookOnce)算法，与基于区域的目标检测算法利用分类器来执行检测不同,YOLO算法将目标检测框架看作空间上的回归问题,单个神经网络可经过一次运算从完整图像上得到边界框和类别概率的预测,有利于对检测性能进行端到端的优化。单阶段算法进行的是端到端回归，速度相比双阶段有明显提高，不同算法权重大小也比双阶段算法缩小5
‑
10倍。
[0004]因此，如何提供一种基于YOLOv5算法的机载热成像野生动物物种分类方法是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于YOLOv5算法的机载热成像野生动物物种分类方法，
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于YOLOv5算法的机载热成像野生动物物种分类方法，包括以下步骤：
[0008]获取红外热成像的野生动物监测影像，将预处理后的所述野生动物监测影像输入至训练好的物种分类模型中进行物种分类，获得分类结果；
[0009]其中，所述物种分类模型的构建及训练方法包括：
[0010]S1.获取红外热成像的野生动物监测影像，建立数据集，并对数据集进行预处理；
[0011]S2.将YOLOv5算法模型中除主干网络的CSP结构内部以外的所有卷积层均替换为Ghost模块，并在主干网络中添加注意力机制模块SE，建成物种分类模型；
[0012]S3.将预处理后的数据集分为训练集和验证集，将所述训练集输入所述物种分类模型中对模型进行训练，通过验证集对训练后的所述物种分类模型的分类结果进行验证，得到训练好的所述物种分类模型。
[0013]优选的，获取红外热成像的野生动物监测影像的具体内容包括：在最佳飞行参数的情况下，利用无人机红外热成像监测野生动物；其中最佳飞行参数包括高度、速度、噪音和成像质量。
[0014]优选的，S1中的预处理包括以下内容：
[0015]所述数据集内的样本数据进行Mosaic数据增强；对所述样本数据进行随机裁剪、色调改变、随机翻转，实现所述样本数据进行数据增强，并对每幅图像进行归一化处理。
[0016]优选的，所述物种分类模型中的主干网络依次包括：Focus结构、第一特征提取部分、第二特征提取部分和SPP结构；
[0017]所述Focus结构，输入端与模型input端相连，输出端连接所述第一特征提取部分，用于完成切片操作，即将608
×
608
×
3的图像转换成304
×
304
×
12的特征图；
[0018]所述第一特征提取部分、所述第二特征提取部分和所述SPP结构中均包括所述Ghost模块，且数量依次为2个、1个和1个；
[0019]每两个所述Ghost模块之间均通过一个所述CSP结构相连，第三个所述CSP结构与第四个所述Ghost模块之间还连接有注意力机制模块SE，第四个所述Ghost模块后还连接有所述SPP结构。
[0020]优选的，在所述物种分类模型中，第一个所述CSP结构中包括1个残差模块，第二个所述CSP结构和第三个所述CSP结构中包括3个残差模块。
[0021]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于YOLOv5算法的机载热成像野生动物物种分类方法，该分类方法中根据训练后的物种分类模型来实现，其中的物种分类模型在建立与训练的过程中，是在原有的YOLOv5算法模型的基础上，将其中的部分卷积层替换为Ghost模块，并在主干网络中添加注意力机制模块SE，有效减小了模型的体量，参数更小，有效提高了计算效率及其准确率，为现有技术中的野生动物物种分类提供了新的方法。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0023]图1附图为本专利技术提供的一种基于YOLOv5算法的机载热成像野生动物物种分类方法的流程示意图；
[0024]图2附图为本专利技术提供的一种基于YOLOv5算法的机载热成像野生动物物种分类方法中的物种分类模型的结构示意图；
[0025]图3附图为本专利技术实施例提供的现有的YOLOv5算法网络结构示意图；
[0026]图4
‑
图8依次为本专利技术实施例提供的狍、驯鹿、马鹿、梅花鹿和东北虎的红外热成像的监测影像；
[0027]图9附图为本专利技术实施例提供的数据增强的过程示意图；
[0028]图10附图为本专利技术实施例提供的6种网络map0.5对比示意图；
[0029]图11附图为本专利技术实施例提供的yolov5s+ghost网络结构示意图；
[0030]图12附图为本专利技术实施例提供的SE模块实现过程示意图；
[0031]图13附图为本专利技术实施例提供的Yolov5算法及其改进后对比示意图；
[0032]图14
‑
17依次为本专利技术实施例提供的采用物种分类模型对东北虎、驯鹿、梅花鹿和马鹿测试集数据进行识别的效果示意图。
...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5算法的机载热成像野生动物物种分类方法，其特征在于，包括以下步骤：获取红外热成像的野生动物监测影像，将预处理后的所述野生动物监测影像输入至训练好的物种分类模型中进行物种分类，获得分类结果；其中，所述物种分类模型的构建及训练方法包括：S1.获取红外热成像的野生动物监测影像，建立数据集，并对数据集进行预处理；S2.将YOLOv5算法模型中除主干网络的CSP结构内部以外的所有卷积层均替换为Ghost模块，并在主干网络中添加注意力机制模块SE，建成物种分类模型；S3.将预处理后的数据集分为训练集和验证集，将所述训练集输入所述物种分类模型中对模型进行训练，通过验证集对训练后的所述物种分类模型的分类结果进行验证，得到训练好的所述物种分类模型。2.根据权利要求1所述的一种基于YOLOv5算法的机载热成像野生动物物种分类方法，其特征在于，获取红外热成像的野生动物监测影像的具体内容包括：在最佳飞行参数的情况下，利用无人机红外热成像监测野生动物；其中最佳飞行参数包括高度、速度、噪音和成像质量。3.根据权利要求1所述的一种基于YOLOv5算法的机载热成像野生动物物种分类方法，其特征在于，S1中的预处理包括以下内容：所述数据集内的样本数据进行Mosaic数据增强；对所述样本数据进...

【专利技术属性】
技术研发人员：谢永华，蒋珏泽，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：