System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于改进yolov7的多片烟叶等级同步识别方法及系统,属于目标识别。
技术介绍
1、烟草工业的快速发展对烟叶分级的速度与质量提出了更高要求,使得烟叶智能分级代替传统人工分级成为必然趋势。目前国内外对烟叶智能分级的研究已取得不错的成果。例如,liu等采用数字图像技术提取叶片特征,并采用广义回归神经网络确定其等级。李航利用bpso联合svm对原始光谱数据进行有用特征光谱选择利用bpso将对分级无影响或微影响的特征剔除,采用svm对烟叶的等级进行鉴别。宾俊提出了一种基于近红外(nir)光谱技术结合极限学习机(elm)算法自动鉴别烟叶等级的方法。姚学练基于主成分分析(pca)、遗传算法(ga)和支持向量机(svm)提出了一种烟叶分级方法。传统检测方法需要人工提取烟叶特征,然而在烟叶实际收购过程中不同地区的烟叶差异较大,通过传统机器学习方法进行烟叶分级,易受到烟叶变化大而造成分级精度低。并且在烟叶实收过程中为提高识别效率需要对多片散放烟叶同步进行等级识别,而传统检测方法只能对单片烟叶进行识别,无法满足实际需求。
2、深度学习方法能够通过数据集训练的方式提取目标多尺度特征,提高了模型精度及泛化能力,在烟叶分级方面得到广泛应用。主流的目标检测技术主要有faster-rcnn,mask-rcnn等两阶段目标检测算法和ssd(single shot multibox detector)、yolo系列等一阶段目标检测方法。鲁梦瑶采用resnet50提取烟叶图像特征,并引入基于注意力机制的se模块(压缩激发模块),增强不
技术实现思路
1、针对现有技术的不足,本专利技术提出了一种基于改进yolov7的多片烟叶等级同步识别方法及系统,实现烟叶的精准识别与定位。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种基于改进yolov7的多片烟叶等级同步识别方法,包括以下步骤:
4、采集多片烟叶图像;
5、采用labelimg图像标注工具,对所述多片烟叶图像中的烟叶目标进行标注,将标注后的
6、所述多片烟叶图像制作成多片烟叶识别数据集,并将所述数据集划分为训练集、测试集与验证集;
7、采用opencv图像处理工具,对所述多片烟叶识别数据集进行数据增强;
8、构建改进的yolov7网络识别模型;
9、利用数据增强后的训练集和验证集对所述改进的yolov7网络识别模型进行训练;
10、将数据增强后的测试集输入通过训练的所述改进的yolov7网络识别模型,完成对多片烟叶的等级同步识别,并采用图像后处理的方式,根据多片烟叶的识别结果,对烟叶目标以矩形框标注的形式进行可视化。
11、优选的,采用siou损失函数,增加所述改进的yolov7网络识别模型的训练精度。
12、优选的,对所述多片烟叶图像中的烟叶目标进行标注包括:
13、标注烟叶中心点的坐标(x,y)、标注框的宽w,高h。
14、优选的,所述改进的yolov7网络识别模型的结构包括:backbone部分和head部分;
15、所述backbone部分:以yolov7模型为基础,将yolov7中的主干特征提取网络替换为轻量级骨干网络mobilenet-v3,得到mobilenet-v3-yolov7模型;
16、所述head部分:在mobilenet-v3-yolov7模型中引入可变形卷积,将mobilenet-v3-yolov7模型的颈部网络中的卷积核大小为3×3,步长为1的卷积核替换为可变形卷积。在mobilenet-v3-yolov7模型中引入卷积注意力模块,在mobilenet-v3-yolov7模型的颈部网络中与浅层特征融合前加入卷积注意力模块。
17、优选的,在mobilenet-v3-yolov7模型的颈部网络中引入可变形卷积的方法包括:
18、通过可变形卷积网络增加可训练的偏移量,从而适应目标形状的变化,有利于提高目标检测的鲁棒性。
19、优选的,在mobilenet-v3-yolov7模型的颈部网络中引入卷积注意力模块的方法包括:
20、利用通道注意力和空间注意力对输入特征图进行自适应特征优化,从而使网络能够从更多的维度关注到感兴趣的目标区域。
21、本专利技术还提供一种基于改进yolov7的多片烟叶等级同步识别系统,包括:采集模块、数据集制作模块、数据增强模块、模型构建模块、训练模块和识别模块;
22、所述采集模块用于采集多片烟叶图像;
23、所述数据集制作模块用于采用labelimg图像标注工具,对所述多片烟叶图像中的烟叶目标进行标注,将标注后的所述多片烟叶图像制作成多片烟叶识别数据集,并将所述数据集划分为训练集、测试集与验证集;
24、所述数据增强模块用于采用opencv图像处理工具,对所述多片烟叶识别数据集进行数据增强;
25、所述模型构建模块用于构建改进的yolov7网络识别模型;
26、所述训练模块用于利用数据增强后的训练集和验证集对所述改进的yolov7网络识别模型进行训练;
27、所述识别模块用于将数据增强后的测试集输入通过训练的所述改进的yolov7网络识别模型,完成对多片烟叶的等级同步识别,并采用图像后处理的方式,根据多片烟叶的识别结果,对烟叶目标以矩形框标注的形式进行可视化。
28、优选的,采用siou损失函数,增加所述改进的yolov7网络识别模型的训练精度。
29、优选的,所述数据集制作模块中,对所述多片烟叶图像中的烟叶目标进行标注包括:
30、标注烟叶中心点的坐标(x,y)、标注框的宽w,高h。
31、优选的,所述改进的yolov7网络识别模型的结构包括:backbone部分和head部分;
32、所述backbone部分:以yolov7模型为基础,将yolov7中的主干特征提取网络替换为轻量级骨干网络mobilenet-v3,得到mobilenet-本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv7的多片烟叶等级同步识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于改进YOLOv7的多片烟叶等级同步识别方法,其特征在于,采用SIOU损失函数,增加所述改进的YOLOv7网络识别模型的训练精度。
3.根据权利要求1所述的基于改进YOLOv7的多片烟叶等级同步识别方法,其特征在于,对所述多片烟叶图像中的烟叶目标进行标注包括:
4.根据权利要求1所述的基于改进YOLOv7的多片烟叶等级同步识别方法,其特征在于,所述改进的YOLOv7网络识别模型的结构包括:Backbone部分和Head部分;
5.根据权利要求4所述的基于改进YOLOv7的多片烟叶等级同步识别方法,其特征在于,在Mobilenet-v3-YOLOv7模型的颈部网络中引入可变形卷积的方法包括:
6.根据权利要求4所述的基于改进YOLOv7的多片烟叶等级同步识别方法,其特征在于,在Mobilenet-v3-YOLOv7模型的颈部网络中引入卷积注意力模块的方法包括:
7.一种基于改进YOLOv7的多片烟叶等级
8.根据权利要求7所述的基于改进YOLOv7的多片烟叶等级同步识别系统,其特征在于,采用SIOU损失函数,增加所述改进的YOLOv7网络识别模型的训练精度。
9.根据权利要求7所述的基于改进YOLOv7的多片烟叶等级同步识别系统,其特征在于,所述数据集制作模块中,对所述多片烟叶图像中的烟叶目标进行标注包括:
10.根据权利要求7所述的基于改进YOLOv7的多片烟叶等级同步识别系统,其特征在于,所述改进的YOLOv7网络识别模型的结构包括:Backbone部分和Head部分;
11.根据权利要求7所述的基于改进YOLOv7的多片烟叶等级同步识别系统,其特征在于,在Mobilenet-v3-YOLOv7模型的颈部网络中引入可变形卷积的过程包括:
12.根据权利要求7所述的基于改进YOLOv7的多片烟叶等级同步识别系统,其特征在于,在Mobilenet-v3-YOLOv7模型的颈部网络中引入卷积注意力模块的过程包括:
...【技术特征摘要】
1.一种基于改进yolov7的多片烟叶等级同步识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于改进yolov7的多片烟叶等级同步识别方法,其特征在于,采用siou损失函数,增加所述改进的yolov7网络识别模型的训练精度。
3.根据权利要求1所述的基于改进yolov7的多片烟叶等级同步识别方法,其特征在于,对所述多片烟叶图像中的烟叶目标进行标注包括:
4.根据权利要求1所述的基于改进yolov7的多片烟叶等级同步识别方法,其特征在于,所述改进的yolov7网络识别模型的结构包括:backbone部分和head部分;
5.根据权利要求4所述的基于改进yolov7的多片烟叶等级同步识别方法,其特征在于,在mobilenet-v3-yolov7模型的颈部网络中引入可变形卷积的方法包括:
6.根据权利要求4所述的基于改进yolov7的多片烟叶等级同步识别方法,其特征在于,在mobilenet-v3-yolov7模型的颈部网络中引入卷积注意力模块的方法包括:
7.一种基于改进yolov7的多片烟叶等...
【专利技术属性】
技术研发人员:侯开虎,胡途,苏勇州,罗建平,薛盼,施斌,
申请(专利权)人:昆明理工大学,
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。