基于改进YOLOv5s的小麦小穗计数方法和系统技术方案

本申请提供了一种基于改进YOLOv5s的小麦小穗计数方法和系统。该方法中，首先对YOLOv5s网络结构进行模块调整与层次优化，得到改进的YOLOv5s网络模型；对预先获取的麦穗图像进行预处理，得到所述改进的YOLOv5s网络模型的训练数据集，以对所述改进的YOLOv5s网络模型进行训练；根据预先划分的小穗种类，训练完成改进的YOLOv5s网络模型，以对小麦小穗进行计数预测。籍此，实现对大田环境下小麦小穗的快速计数预测，为大田中通过小麦小穗数量估测品质、估算产量等提供信息技术支持。估算产量等提供信息技术支持。估算产量等提供信息技术支持。

【技术实现步骤摘要】
基于改进YOLOv5s的小麦小穗计数方法和系统


[0001]本申请涉及深度学习农作物预测
，特别涉及一种基于改进YOLOv5s的小麦小穗计数方法和系统。

技术介绍

[0002]随着深度学习、计算机视觉、人工智能等技术的发展，小麦表型研究取得了长足发展，小麦出苗率计算、生育期判定、麦穗识别等研究取得一定的成果，但小麦小穗计数研究尚不多见。目前，在大田环境下的小麦小穗计数主要通过人工方式，先统计单位面积上的小麦穗数，待收获后称取千粒重，之后计算产量估值，这种人工方式效率低，周期长，难以及时有效地实现小穗计数、估计小麦预期产量。因而，亟需提供一种高效、自动化、智能化的技术方案。

技术实现思路

[0003]本申请的目的在于提供一种基于改进YOLOv5s的小麦小穗计数方法和系统，以解决或缓解上述现有技术中存在的问题。
[0004]为了实现上述目的，本申请提供如下技术方案：
[0005]本申请提供一种基于改进YOLOv5s的小麦小穗计数方法，包括：对YOLOv5s网络结构进行模块调整和层次优化，得到改进的YOLOv5s网络模型；对预先获取的麦穗图像进行预处理，得到所述改进的YOLOv5s网络模型的训练数据集，以对所述改进的YOLOv5s网络模型进行训练；根据预先划分的小穗种类，基于训练完成的改进的YOLOv5s网络模型，对小麦小穗进行计数预测。
[0006]优选的，所述对YOLOv5s网络结构进行模块调整和层次优化，得到改进的YOLOv5s网络模型，包括：对所述YOLOv5s网络结构中的Neck网络中添加第一特征与第二特征的融合层数，并在所述YOLOv5s网络结构中的主干网络中添加新的卷积模块，以及将所述主干网络中的最后一层替换为C3TR模块，得到所述改进的YOLOv5s网络模型。
[0007]优选的，用Transformer注意力机制模块代替所述YOLOv5s网络结构中C3模块中的Bottleneck模块，得到所述C3TR模块。
[0008]优选的，所述对所述改进的YOLOv5s网络模型进行训练，包括：在所述改进的YOLOv5s网络模型输入所述训练数据集中的图像，通过所述Neck网络中添加的1个上采样模块分别与所述主干网络中的所述第二特征的图像融合，得到待预测图像；在所述改进的YOLOv5s网络模型的预测网络中对所述待预测图像进行小麦小穗计数预测；基于预设评价指标，对所述待预测图像的预测结果进行评价。
[0009]优选的，所述预设评价指标为：
[0010][0011]式中，
[0012][0013]其中，AP为所述小穗种类中每一类别的识别准确率；mAP为所述小穗种类中全部类别的平均精度均值；
[0014]TP为所述小穗种类中每个类别的预测结果正确的框的数目；FP为所述小穗种类中每个类别的预测结果错误的框的数目；FN为所述小穗种类中将本类别预测为其它类别的框的数目；n为所述小穗种类的类别数。
[0015]优选的，所述对先获取的麦穗图像进行预处理，包括：对预先获取的麦穗图像依次进行切片及灰度化处理，并采用LabelImg标注工具对灰度化处理后图像进行标注，并根据标注结果划分所述小穗种类，得到所述训练数据集。
[0016]本申请实施例还提供一种基于改进YOLOv5s的小麦小穗计数系统，包括：模型改进单元，配置为对YOLOv5s网络结构进行模块调整与层次优化，得到改进的YOLOv5s网络模型；模型训练单元，配置为对预先获取的麦穗图像进行预处理，得到所述改进的YOLOv5s网络模型的训练数据集，以对所述改进的YOLOv5s网络模型进行训练；计数预测单元，配置为根据预先划分的小穗种类，基于训练完成的改进的YOLOv5s网络模型，对小麦小穗进行计数预测。
[0017]有益效果：
[0018]本申请提供的基于改进YOLOv5s的小麦小穗计数的技术中，首先通过对YOLOv5s网络结构进行模块调整与层次优化，得到改进的YOLOv5s网络模型；然后，利用对预先获取的麦穗图像进行预处理，得到所述改进的YOLOv5s网络模型的训练数据集，以对所述改进的YOLOv5s网络模型进行训练；最后，根据预先划分的小穗种类，基于训练完成的改进的YOLOv5s网络模型，对小麦小穗进行计数预测。籍此，实现对大田环境下小麦小穗的快速计数预测，为大田中通过小麦小穗数量估测品质、估算产量等提供信息技术支持。
附图说明
[0019]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：
[0020]图1为根据本申请的一些实施例提供的一种基于改进YOLOv5s的小麦小穗计数方法的流程示意图；
[0021]图2为根据本申请的一些实施例提供的预处理后的麦穗图像的示意图；
[0022]图3为根据本申请的一些实施例提供的Transformer注意力机制模块的结构示意
图；
[0023]图4为根据本申请的一些实施例提供的C3模块的结构示意图；
[0024]图5为根据本申请的一些实施例提供的C3TR模块的结构示意图；
[0025]图6为根据本申请的一些实施例提供的YOLOv5网络结构的框架示意图；
[0026]图7为根本申请的一些实施例提供的改进的YOLOv5s网络模型中Neck网络的设计示意图；
[0027]图8为根据本申请的一些实施例提供的基于改进的YOLOv5s网络模型的框架示意图；
[0028]图9为根据本申请的一些实施例提供的一种基于改进YOLOv5s的小麦小穗计数系统的结构示意图。
具体实施方式
[0029]下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
[0030]随着信息化技术在农业中应用程度的提高，尤其是图像处理技术的应用，使得较大范围且快速地进行小麦田间测产成为可能，而图像处理技术与人工智能技术更进一步地结合，为农作物的生长态势监测与估产提供了新的方法。
[0031]如图1所示，该基于改进YOLOv5s的小麦小穗计数方法中，包括：
[0032]步骤S101、对YOLOv5s网络结构进行模块调整与层次优化，得到改进的YOLOv5s网络模型；
[0033]步骤S102、对预先获取的麦穗图像进行预处理，得到改进的YOLOv5s网络模型的训练数据集，以对改进的YOLOv5s网络模型进行训练；
[0034]步骤S103、根据预先划分的小穗种类，基于训练完成的改进的YOLOv5s网络模型，对小麦小穗进行计数预测。
[0035]本申请提供的技术方案，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5s的小麦小穗计数方法，其特征在于，包括：对YOLOv5s网络结构进行模块调整与层次优化，得到改进的YOLOv5s网络模型；对预先获取的麦穗图像进行预处理，得到所述改进的YOLOv5s网络模型的训练数据集，以对所述改进的YOLOv5s网络模型进行训练；根据预先划分的小穗种类，基于训练完成的改进的YOLOv5s网络模型，对小麦小穗进行计数预测。2.根据权利要求1所述的基于改进YOLOv5s的小麦小穗计数方法，其特征在于，所述对YOLOv5s网络结构进行模块调整和层次优化，得到改进的YOLOv5s网络模型，包括：对所述YOLOv5s网络结构中的Neck网络中添加第一特征与第二特征的融合层数，并在所述YOLOv5s网络结构中的主干网络中添加新的卷积模块，以及将所述主干网络中的最后一层替换为C3TR模块，得到所述改进的YOLOv5s网络模型。3.根据权利要求2所述的基于改进YOLOv5s的小麦小穗计数方法，其特征在于，用Transformer注意力机制模块代替所述YOLOv5s网络结构中C3模块中的Bottleneck模块，得到所述C3TR模块。4.根据权利要求2所述的基于改进YOLOv5s的小麦小穗计数方法，其特征在于，所述对所述改进的YOLOv5s网络模型进行训练，包括：在所述改进的YOLOv5s网络模型输入所述训练数据集中的图像，通过所述Neck网络中添加的1个上采样模块分别与所述主干网络中的所述第二特征的图像融合，得到待预...

【专利技术属性】
技术研发人员：时雷，温暖，孙嘉玥，王健，孙佳佳，吕海燕，熊蜀峰，刘亮亮，孙肖云，席磊，乔红波，
申请(专利权)人：河南农业大学，
类型：发明
国别省市：