本发明专利技术涉及大豆人工智能选育技术领域，公开了一种基于改进型YOLO v5模型的大豆植株表型数据统计方法，包括如下步骤：获得目标大豆植株的采样图片；通过基于指定训练方法训练完成的识别模型对采样图片进行识别；统计并保存识别模型输出的关于大豆植株的表型特征；其中，识别模型为基于指定改进方法改进的YOLO v5模型；可将对目标大豆植株进行拍摄采样得到的采样图片，输入预先训练好的识别模型中进行识别，识别模型可以快速准确的给出该目标大豆植株的表型特征数据，然后可将表型特征数据进行统计，方便后续工作者进行查阅调取。方便后续工作者进行查阅调取。方便后续工作者进行查阅调取。
【技术实现步骤摘要】
一种基于改进型YOLO v5模型的大豆植株表型数据统计方法
[0001]本专利技术涉及大豆人工智能选育
，具体涉及一种基于改进型YOLO v5模型的大豆植株表型数据统计方法。
技术介绍
[0002]大豆是我国重要粮食作物和重要经济作物。然而多年来我国大豆产业高度依赖进口，且进口来源高度集中，严重威胁国家粮油安全。
[0003]大豆考种工作通过获取可重复的大豆表型数据，量化分析其与大豆产量、质量等的关系，是解析大豆遗传规律和大豆育种的关键环节。大豆表型是指在基因组和种植环境的共同作用下，大豆生长发育过程和结果的所有物理、生理和性状等。通过可重复的高质量表型数据，能够量化分析表型对产量、质量、抗逆等的影响。如大豆叶片形态为大豆重要外观特征和农艺性状，能够直观地反映植物的生长状态，叶片形态既影响日光捕获效率，又影响“氮”库的吸收效率，可调节产量，大豆的荚粒数性状也与叶形密切连锁。
[0004]而传统的大豆考种模式主要依赖于人工，存在着数据采集量有限、人力物力成本高、数据共享能力差、测量精度低、可重复性差、客观性差等问题，这大大限制了表型数据在大豆育种决策过程中的作用发挥，也是限制大豆产业发展的原因之一。因此现代大豆育种迫切需要能够准确、快速、无损检测大豆表型参数的智能化、高通量方法，提高育种效率。
技术实现思路
[0005]本专利技术的目的在于提供一种基于改进型YOLO v5模型的大豆植株表型数据统计方法，解决以下技术问题：
[0006]如何提高大豆考种时大豆表型参数的检测效率和准确度。
[0007]本专利技术的目的可以通过以下技术方案实现：
[0008]一种基于改进型YOLO v5模型的大豆植株表型数据统计方法，包括如下步骤：
[0009]获得目标大豆植株的采样图片；
[0010]通过基于指定训练方法训练完成的识别模型对所述采样图片进行识别；
[0011]统计并保存所述识别模型输出的关于所述大豆植株的表型特征；
[0012]其中，所述识别模型为基于指定改进方法改进的YOLO v5模型。
[0013]通过上述技术方案，可将对目标大豆植株进行拍摄采样得到的采样图片，输入预先训练好的识别模型中进行识别，识别模型可以快速准确的给出该目标大豆植株的表型特征数据，然后可将表型特征数据进行统计，方便后续工作者进行查阅调取。
[0014]作为本专利技术进一步的方案：所述指定训练方法包括：
[0015]针对大豆植株获取训练样本集；
[0016]增强扩充所述训练样本集后得到训练数据集；
[0017]将所述训练数据集随机划分为训练集、验证集和测试集三个部分。
[0018]作为本专利技术进一步的方案：所述针对大豆植株获取训练样本集的方法包括：
[0019]选取不同时间段、不同天气情况、不同角度对所述大豆植株进行拍摄后得到拍摄图像；
[0020]对所有所述拍摄图像进行标注后进行得到所述训练样本集，所述标注包括多种类别标签。
[0021]作为本专利技术进一步的方案：所述增强扩充所述训练样本集后得到训练数据集的方法包括：
[0022]对所述训练样本集中的每个所述拍摄图像进行数据增强；
[0023]对读取的4张图像通过色域变化、裁剪、缩放、随机排布等操作进行标定框的组合和图片的组合拼接，得到训练数据集。
[0024]作为本专利技术进一步的方案：所述指定训练方法还包括：
[0025]设置初始超参数，改进型YOLO v5模型的训练尺寸为640
×
640、批量大小为16、类别数为5、初始学习率、1e
‑
2、迭代次数为100；
[0026]将所述训练集和所述验证集输入所述改进型YOLO v5模型进行训练；
[0027]根据训练验证损失率变化曲线，当loss随着迭代次数的增加而趋于平稳时，确定最终的学习率和迭代次数。
[0028]作为本专利技术进一步的方案：所述指定改进方法包括：
[0029]采用MobileNetv2来替换YOLO v5的主干特征提取网络Backbone；
[0030]所述MobileNetv2结构包括：
[0031]针对改进型YOLO v5模型的主干特征提取部分，利用1
×
1卷积进行升维；
[0032]利用3
×
3深度可分离卷积进行特征提取后，利用1
×
1卷积降维；
[0033]残差边部分输入和输出直接相连；
[0034]使用线性瓶颈操作，将特征投影到低维特征的表示。
[0035]作为本专利技术进一步的方案：所述指定改进方法包括：
[0036]引入入ECANet注意力机制；
[0037]所述ECANet注意力机制的结构包括：
[0038]通过全局平均池化获得每一个通道的全局特征，输出维度为C
×1×
1的全局特征；
[0039]使用一维卷积获取局部通道之间的关系；
[0040]将权重文件放入YOLO v5模型的算法中对所述验证集进行检测，观察检测情况；
[0041]使用Sigmoid激活函数输出维度为C
×1×
1的新权值；
[0042]通过新权值和输入特征图乘积运算完成对通道特征权值的重分配，抑制无效特征，增强有效特征。
[0043]作为本专利技术进一步的方案：所述引入ECANet注意力机制主要步骤包括：
[0044]将ECANet注意力机制放置在加强特征提取网络上，在主干网络提取出来的三个有效特征层上增加了注意力机制；
[0045]对FPN中上采样结果增加ECANet注意力机制，来减少信息丢失、优化每层上的整合特征。
[0046]作为本专利技术进一步的方案：所述指定改进方法包括：
[0047]改进损失函数：
[0048]用CIOU_Loss取代GIOU_Loss；
[0049]用DIOU_NMS取代经典的NMS。
[0050]本专利技术的有益效果：
[0051]本专利技术可将对目标大豆植株进行拍摄采样得到的采样图片，输入预先训练好的识别模型中进行识别，识别模型可以快速的给出该目标大豆植株的表型特征数据，然后可将表型特征数据进行统计，方便后续工作者进行查阅调取。
附图说明
[0052]下面结合附图对本专利技术作进一步的说明。
[0053]图1为本专利技术中大豆植株表型数据统计方法的基本流程示意图；
[0054]图2为通用的YOLO v5的结构示意图；
[0055]图3为通用的YOLO v5中特征提取网络结构示意图；
[0056]图4为通用的YOLO v5中Focus模块结构图；
[0057]图5为通用的YOLO v5中CSP模块结构图；
[0058]图6为深度可分离卷积过程图；
[0059]图7为本专利技术中Bottleneck Residual本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，包括如下步骤：获得目标大豆植株的采样图片；通过基于指定训练方法训练完成的识别模型对所述采样图片进行识别；统计并保存所述识别模型输出的关于所述大豆植株的表型特征；其中，所述识别模型为基于指定改进方法进行改进的改进型YOLO v5模型。2.根据权利要求1所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述指定训练方法包括：针对大豆植株获取训练样本集；增强扩充所述训练样本集后得到训练数据集；将所述训练数据集随机划分为训练集、验证集和测试集三个部分。3.根据权利要求2所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述针对大豆植株获取训练样本集的方法包括：选取不同时间段、不同天气情况、不同角度对所述大豆植株进行拍摄后得到拍摄图像；对所有所述拍摄图像进行标注后进行得到所述训练样本集，所述标注包括多种类别标签。4.根据权利要求3所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述增强扩充所述训练样本集后得到训练数据集的方法包括：对所述训练样本集中的每个所述拍摄图像进行数据增强；对读取的4张图像通过色域变化、裁剪、缩放、随机排布等操作进行标定框的组合和图片的组合拼接，得到训练数据集。5.根据权利要求2所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述指定训练方法还包括：设置初始超参数，改进型YOLO v5模型的训练尺寸为640
×
640、批量大小为16、类别数为5、初始学习率、1e
‑
2、迭代次数为100；将所述训练集和所述验证集输入所述改进型YOLO v5模型进行训练；根据训练验证损失率变化曲线，当loss随着迭代次数的增加而趋于平稳时，确定最终的学习率和迭代次数。6.根据权利要求1所述的...
【专利技术属性】
技术研发人员：刘立超，王健清，梁静，陈黎卿，马庆，李兆东，张春岭，王韦韦，
申请(专利权)人：安徽农业大学，
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。