【技术实现步骤摘要】
本专利技术属于农业采摘机器人的视觉检测，尤其涉及一种田间小目标作物的检测模型及构建方法。
技术介绍
1、传统的小目标作物，例如茶芽、麦穗、荔枝等，主要的收获方式有两种：人工采摘和机械采摘。手工采摘耗时费力，机械采摘虽然能够提高效率，但是并不能满足优质化采摘的需求，所以研发用于小目标作物的智能采摘设备至关重要。
2、基于深度学习的目标检测技术是智能化设备检测小目标作物和确定采摘点的关键，yolo系列的目标检测模型可实现端到端的快速检测，更适合部署在智能化的采摘设备上，然而当前yolo系列的检测模型并没有根据农作物小目标的特性与轻量级的部署需求对基准模型进行改进，存在精度低、模型复杂度高、部署困难等问题。
技术实现思路
1、为克服小目标作物检测中存在的问题，本专利技术提供一种田间小目标作物的检测模型及构建方法。
2、本专利技术的第一方面，提供一种田间小目标作物检测模型的构建方法，包括以下步骤：
3、步骤1，在实际的复杂农田环境下采集作物数据，使用labelimg工具标注目标的边界框，制作yolo格式的数据集，并按照比例划分为训练集、验证集、测试集；
4、步骤2，根据标注的边界框，使用k-means聚类算法生成适用于小目标检测的锚框大小；
5、步骤3，基于yolov5m模型的架构，构建一种能够高效地检测田间小目标作物的轻量级模型t-yolo；其在模型的骨干和颈部引入c2fg2轻量级模块和dbs高效特征提取模块，在轻量化的同时提取
6、步骤4，根据训练环境选择合适的超参数进行训练，最后完成模型的构建。
7、可选地，步骤1中的田间小目标作物数据采集方式为：
8、数据采集设备为手持式的稳定拍摄支架和手机，数据采集人员选择合适的高度沿田间匀速行走，垂直于作物拍摄视频数据，随后将视频数据提取为用于模型训练的图片数据。
9、可选地，所述步骤2中使用k-means聚类算法生成锚框的过程，具体为：
10、s1，获取所有标注的边界框大小信息；
11、s2，随机选择6个边界框作为初始的聚类中心；
12、s3，对标注的每一个边界框，计算它与s2中选择的6个边界框做交并比的计算，选择交并比最大的作为匹配的锚框；
13、s4，对所有匹配的锚框进行聚类操作，得到6个最佳的锚框尺寸；
14、s5，将得到的锚框作为t-yolo的默认锚框，用于田间小目标作物检测。
15、可选地，所述t-yolo模型包括骨干网络、颈部网络和头部网络，具体如下：
16、所述的骨干网络包括dbs模块、c2fg2模块和sppf模块，所述的dbs模块由分步位移卷积dsconv、批量归一化层bn、silu激活函数层组成，提取小目标作物的特征信息；所述c2fg2模块由cbs模块、ghostnetv2瓶颈结构以及split和concat操作组成，提取多尺度特征信息的同时实现模型的轻量化；所述sppf模块对每个区域进行最大池化操作，更好地适应各种尺寸的输入；
17、所述颈部网络从骨干网络中获取浅层的特征信息，通过上采样操作使特征图的尺寸变大，以便以融合来自于骨干的特征信息，再通过concat与深层的语义特征合并到一起，以获取更为完整的特征，为每一层的特征图都赋予了更强的捕捉语义信息的能力；
18、所述头部网络通过两个不同尺寸的特征图来检测不同大小的目标，特征图的通道维度上保留了步骤2生成的锚框，用于更好地检测小目标作物。
19、可选地，所述步骤3中在骨干和颈部网络中引入c2fg2模块实现模型的轻量化和提取多尺度的特征信息，具体为：
20、引入c2fg2轻量级模块，替换基准模型yolov5m主干和颈部的c3模块；c2fg2模块主要由c2f模块和ghostnetv2瓶颈结构组合构成，c2f模块通过分流与合并操作将浅层与深层的特征信息融合，获取多尺度的特征信息；同时，ghostnetv2由轻量级ghost模块和对硬件友好的dfc注意力机制组成，ghost模块通过低成本的线性变换生成多个特征信息，dfc注意力将原自注意力解耦，降低计算复杂度。
21、可选地，所述步骤3中在骨干和颈部网络中引入dbs模块实现模型的轻量化和增强模型表征能力，具体为：
22、引入dbs模块，替换基准模型yolov5m的cbs模块；所述dbs模块中的分步位移卷积dsconv通过只存储整数的可变量化内核与模拟常规卷积操作的分布移动来降低计算内存消耗和提高计算速度，在降低模型复杂度、实现模型轻量化的同时提高模型的表征能力。
23、可选地，所述步骤3中移除模型头部对小目标作物不敏感的检测头，并在保留的检测头后堆叠4个dyhead动态检测头，具体为：
24、对模型进行剪枝，移除对小目标作物不敏感的检测头，减少模型的参数，进一步实现轻量化。dyhead检测头通过尺度感知注意力使模型对不同尺寸的目标变得更为敏感，通过空间位置感知注意力使模型聚焦于不同位置的目标，任务感知注意力促进模型表征能力的泛化性，三者串联组成，增强模型表征能力。
25、本专利技术的第二方面，提供了一种田间小目标作物的检测方法，过程如下：
26、使用便携式的拍摄设备在田间采集数据；
27、将田间小目标作物的图像数据输入到检测模型中进行检测；
28、输出检测结果。
29、本专利技术的第三方面，提供了一种用于田间小目标作物的检测设备，该设备包括：
30、存储器，其上存储有计算机程序；
31、处理器，用于执行所述存储器中的所述计算机程序，以实现上述方法的步骤。
32、本专利技术提供的技术方案可以包括以下有益效果：
33、第一，本专利技术提出用于田间小目标作物检测算法t-yolo，解决了当前检测模型存在的精度低、模型复杂度高、部署困难等问题，为智能化采摘设备提供了理论依据和技术基础；
34、第二，本专利技术在模型的骨干网络和颈部网络，引入c2fg2模块取代yolov5模型中的c3模块，在实现模型轻量化的同时，获得更丰富的梯度流信息，增强模型的特征提取能力；
35、第三，本专利技术在模型的骨干网络和颈部网络，引入dbs模块取代yolov5模型中的cbs模块，在降低模型计算复杂度的同时，提高模型的表征能力；
36、第四，本专利技术对模型的头部网络进行剪枝，移除对小目标作物不敏感的检测头，并在保留的头部后堆叠4个dyhead动态检测头增强模型的表征能力。
本文档来自技高网...【技术保护点】
1.一种田间小目标作物的检测模型及构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种田间小目标作物的检测模型及构建方法，其特征在于，所述步骤1中的小目标作物数据采集方式：
3.根据权利要求1所述的一种田间小目标作物的检测模型及构建方法，其特征在于，所述步骤2中使用K-means聚类算法生成锚框的过程，具体为：
4.根据权利要求1所述的一种田间小目标作物的检测模型及构建方法，其特征在于，所述T-YOLO模型包括骨干网络、颈部网络和头部网络，具体如下：
5.根据权利要求1所述的一种田间小目标作物的检测模型及构建方法，其特征在于，所述步骤3中在骨干和颈部网络中引入C2fG2模块实现模型的轻量化和提取多尺度的特征信息，具体为：
6.根据权利要求1所述的一种田间小目标作物的检测模型及构建方法，其特征在于，所述步骤3中在骨干和颈部网络中引入DBS模块实现模型的轻量化和增强模型表征能力，具体为：
7.根据权利要求1所述的一种田间小目标作物的检测模型及构建方法，其特征在于，所述步骤3中移除模型头部对小目标作物
8.一种田间小目标作物检测方法，其特征在于，包括以下过程：
9.一种用于田间小目标作物的检测设备，其特征在于，包括：
...【技术特征摘要】
1.一种田间小目标作物的检测模型及构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种田间小目标作物的检测模型及构建方法，其特征在于，所述步骤1中的小目标作物数据采集方式：
3.根据权利要求1所述的一种田间小目标作物的检测模型及构建方法，其特征在于，所述步骤2中使用k-means聚类算法生成锚框的过程，具体为：
4.根据权利要求1所述的一种田间小目标作物的检测模型及构建方法，其特征在于，所述t-yolo模型包括骨干网络、颈部网络和头部网络，具体如下：
5.根据权利要求1所述的一种田间小目标作物的检测模型及构建方法，其特征在于，所述步骤3中...
【专利技术属性】
技术研发人员：韩宇星，白兵宜，王俊舒，俞龙，黎健龙，
申请(专利权)人：华南农业大学，
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。