一种基于Yolov5的改进型水果识别方法及识别系统技术方案

本发明专利技术属于检测识别技术领域，具体涉及一种基于Yolov5的改进型水果识别方法及识别系统，通过采集水果的图片，并根据水果的图片构建数据集；对水果的图片进行预处理；将数据集中训练集对应的图片输入改进的YOLOv5网络进行训练；根据训练好的YOLOv5s检测模型对水果进行检测；在YOLOv5的SPP层之后添加CBAM注意力模块，CBAM注意力模块结合了通道和空间的注意力机制模块，使网络更加专注于对当前任务来说最有用的信息，并且在YOLOv5网络中添加小目标检测层，提高算法对水果的检测精度，以及将分类损失函数CIOU替换为SIOU，考虑到所需回归之间的向量角度，重新定义了惩罚指标，提高了训练的速度和推理的准确性。训练的速度和推理的准确性。训练的速度和推理的准确性。

【技术实现步骤摘要】
一种基于Yolov5的改进型水果识别方法及识别系统


[0001]本专利技术属于检测识别
，具体涉及一种基于Yolov5的改进型水果识别方法及识别系统。

技术介绍

[0002]由于人工智能技术的发展，采摘水果的机器人应运而生，其中对水果的检测识别技术是采摘机器人的关键技术，决定机器人是否能够准确地采摘水果。目前水果检测识别一般有两类方案，（1）.基于深度学习的水果的识别，（2）.基于传统图像处理算法的水果识别。基于深度学习的水果识别算法采用深度神经网络提取特征来实现水果的识别。而基于传统图像处理算法的特征提取使用前期的人为特征定义提取水果的颜色、形状、纹理等特征，并通过特定特征提取算法的组合来实现水果的识别。由于基于传统图像处理算法的水果识别算法效果在目标被遮挡以及光照变化情况下变化较大，而基于深度学习的水果识别算法是通过构建深层的特征提取网络提取学习水果特征，不断更新网络权重，获得训练模型。用训练好的模型对水果进行识别，准确性高且具有较强的移植性。基于深度学习的目标识别算法主要应用于各种场景下的水果识别。对于基于深度学习的水果识别算法的方案一般有如下几种：1.基于卷积神经网络的自动水果识别。2.基于BP，back propagation（全连接）神经网络的自动水果识别。3.基于YOLO系列目标识别的自动水果识别。其中方案1虽然在卷积层所用的权重和偏置的参数较少和具有平移不变特性，但是实现较为复杂且训练时间较长。其中方案2虽然具有很强的非线性映射能力和柔性的网络结构，但是学习速度慢，容易陷入局部极小值且网络推广能力有限。3. 其中方案3中的主干网络在提取目标特征过程存在捕获特征不全面的问题、在面对较小目标时存在识别不精确的问题、YOLOv5采用CIOU（Complete IoU）损失函数，传统的目标检测损失函数依赖于边界框回归指标的聚合,没有考虑到所需真实框与预测框之间不匹配的方向。这种不足导致收敛速度较慢且效率较低。
[0003]因此，基于上述技术问题需要设计一种新的基于Yolov5的改进型水果识别方法及识别系统。

技术实现思路

[0004]本专利技术的目的是提供一种基于Yolov5的改进型水果识别方法及识别系统。
[0005]为了解决上述技术问题，本专利技术提供了一种基于Yolov5的改进型水果识别方法，包括：采集水果的图片，并根据水果的图片构建数据集；对水果的图片进行预处理；将数据集中训练集对应的图片输入改进的YOLOv5网络进行训练，获取YOLOv5s检测模型；根据训练好的YOLOv5s检测模型对水果进行检测。
[0006]进一步，所述采集水果的图片的方法包括：在果园中采集需要检测的水果的图片，根据水果的种类对所有图片进行标注，构建数据集，并且将标注信息写入预设格式的文件中。
[0007]进一步，所述根据水果的图片构建数据集的方法包括：将数据集中的图片以预设比例划分为训练集和测试集，并且将标注信息写入的文件格式替换为另一个预设的格式。
[0008]进一步，所述对水果的图片进行预处理的方法包括：将所有采集的图片进行图像滤波和增强。
[0009]进一步，所述将数据集中训练集对应的图片输入改进的YOLOv5网络进行训练的方法包括：在YOLOv5s网络的SPP层之后添加CBAM注意力模块；在YOLOv5s网络中添加小目标检测层；将分类损失函数CIOU替换为SIOU。
[0010]进一步，添加的小目标检测层的anchors为：(5,6),(8,14)和(15,11)，则anchors模块的锚框分别为：(5,6),(8,4),(15,11),(10,13),(16,30),(33,23),(30,61),(62,45),(59,119),(116,90),(156,198),(373,326)；在YOLOv5s网络中添加上采样模块、下采样模块，并且检测层中添加小目标检测头。
[0011]进一步，YOLOv5s网络包括：输入端、主干层、颈部层和头部层；初始化模型参数;对数据集进行预处理，其中预处理的方法包括：Mosaic数据增强、自适应锚框计算以及自适应图片缩放；再将预处理后的图片输入到融合了CBAM注意力模块的backbone部分，以获取多种尺寸的特征图，然后对特征图进行上采样操作、下采样操作以及Concat拼接操作完成多特征融合，获取不同尺度大小的特征图；将不同尺度的特征图输入head部分的Detect层中，计算检测框与真实框之间的IOU，再利用DIOU、GIOU和SIOU损失进行反向传播，更新调节YOLOv5s网络中的权重参数，最后利用验证集对每个阶段的模型进行验证，以获得训练后的YOLOv5s检测模型。
[0012]进一步，所述对每个阶段的模型进行验证的方法包括：采用精确度P、召回率R和平均精度均值mAP作为评价指标来验证改进后的YOLOv5s；Precision =；Recall = ；mAP = ；其中，Precision为精确度P；Recall为召回率R；mAP为平均精度均值。
[0013]进一步，所述根据训练好的YOLOv5s检测模型对水果进行检测的方法包括：将水果的图片输入训练好的YOLOv5s网络以对水果进行检测。
[0014]另一方面，本专利技术还提供一种采用上述基于Yolov5的改进型水果识别方法的识别系统，包括：采集模块，采集水果的图片，并根据水果的图片构建数据集；预处理模块，对水果的图片进行预处理；训练模块，将数据集中训练集对应的图片输入改进的YOLOv5网络进行训练；检测模块，根据训练好的YOLOv5s检测模型对水果进行检测。
[0015]本专利技术的有益效果是，本专利技术通过采集水果的图片，并根据水果的图片构建数据集；对水果的图片进行预处理；将数据集中训练集对应的图片输入改进的YOLOv5网络进行训练；根据训练好的YOLOv5s检测模型对水果进行检测；在YOLOv5的SPP层之后添加CBAM注意力模块，CBAM注意力模块结合了通道和空间的注意力机制模块，使网络更加专注于对当前任务来说最有用的信息，并且在YOLOv5网络中添加小目标检测层，提高算法对水果的检测精度，以及将分类损失函数CIOU替换为SIOU，考虑到所需回归之间的向量角度，重新定义了惩罚指标，提高了训练的速度和推理的准确性。
[0016]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
[0017]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0018]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，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，还可以根据这些附图获得其他的附图。
[0019]图1是本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Yolov5的改进型水果识别方法，其特征在于，包括：采集水果的图片，并根据水果的图片构建数据集；对水果的图片进行预处理；将数据集中训练集对应的图片输入改进的YOLOv5网络进行训练，获取YOLOv5s检测模型；根据训练好的YOLOv5s检测模型对水果进行检测。2.如权利要求1所述的基于Yolov5的改进型水果识别方法，其特征在于，所述采集水果的图片的方法包括：在果园中采集需要检测的水果的图片，根据水果的种类对所有图片进行标注，构建数据集，并且将标注信息写入预设格式的文件中。3.如权利要求2所述的基于Yolov5的改进型水果识别方法，其特征在于，所述根据水果的图片构建数据集的方法包括：将数据集中的图片以预设比例划分为训练集和测试集，并且将标注信息写入的文件格式替换为另一个预设的格式。4.如权利要求3所述的基于Yolov5的改进型水果识别方法，其特征在于，所述对水果的图片进行预处理的方法包括：将所有采集的图片进行图像滤波和增强。5.如权利要求4所述的基于Yolov5的改进型水果识别方法，其特征在于，所述将数据集中训练集对应的图片输入改进的YOLOv5网络进行训练的方法包括：在YOLOv5s网络的SPP层之后添加CBAM注意力模块；在YOLOv5s网络中添加小目标检测层；将分类损失函数CIOU替换为SIOU。6.如权利要求5所述的基于Yolov5的改进型水果识别方法，其特征在于，添加的小目标检测层的anchors为：(5,6),(8,14)和(15,11)，则anchors模块的锚框分别为：(5,6),(8,4),(15,11),(10,13),(16,30),(33,23),(30,61),(62,45),(59,119),(116,90),(156,198),(373,326)；在YOLOv5s网络中添加上采样模块、下采样模块，并且检测层中添加小目标检...

【专利技术属性】
技术研发人员：申春兰，高晓峰，陈剑，
申请(专利权)人：江苏天策机器人科技有限公司，
类型：发明
国别省市：