【技术实现步骤摘要】
本专利技术涉及图像数据处理，尤其涉及一种基于改进的yolov5的麦穗检测方法、装置、设备及存储介质。
技术介绍
1、随着深度学习的快速发展，许多先进的技术和设备被广泛应用于各个领域，在农业领域中，可以帮助相关研究人员进行农作物的产量预测、病虫害的诊断等工作，使生产更加高效、智能化和可持续化。
2、近年来，深度学习技术作为农业步入智能化进程中的枢纽，在麦穗检测中发挥着越来越大的作用。许多图像分析技术已经被应用在小麦图像定位以及检测任务中，并凭借其高准确率、高鲁棒性等优点取得了重大突破。为了深入探索不同生长阶段的麦穗对于检测模型的影响，hasan等以不同生成阶段为单位将麦穗划分为四个数据集，利用同样的r-cnn结构在对应的四个不同数据集上进行研究，得到了四个不同的检测模型，并达到了88％至94％的平均检测精度。misra等基于数字图像分析和深度学习技术开发了一种新的深度学习网络spikesegnet来检测麦穗，该网络结合了全局掩码细化网络和局部补丁网络，采用imagej中的分析粒子函数得到麦穗数量。章权兵等针对麦穗检测结果中存在的漏检等情况，利用注意力机制对原始特征提取网络的编码和解码区域进行改进，以此提高网络对重叠遮挡麦穗的检测能力，结果表明所提出的方法可以更准确地检测较小的麦穗，生成更为精准的检测框。
3、综上所述，近年来相关研究人员在麦穗检测任务中尝试运用各种深度学习模型，其中一些方法以牺牲检测速度为代价，达到了更高的麦穗检测准确率，导致模型在检测过程中推理时间过久；另一些方法则注重于提高检测速度，但是
技术实现思路
1、本专利技术的主要目的在于提供了一种基于改进的yolov5的麦穗检测方法、装置、设备及存储介质，旨在解决如何有效提高麦穗检测精确度和鲁棒性的技术问题。
2、为实现上述目的，本专利技术提供了一种基于改进的yolov5的麦穗检测方法，所述方法包括以下步骤:
3、获取自然场景下的目标麦穗图像；
4、将所述目标麦穗图像输入至预设wheat-yolov5s模型进行检测，获得检测结果，所述预设wheat-yolov5s模型在yolov5网络模型的backbone部分融入ecanet注意力机制，将neck部分的常规卷积替换为拆分的卷积spc onv，并在损失函数中引入power变换；
5、根据所述检测结果，对所述目标麦穗图像中的麦穗进行定位。
6、可选地，所述获取自然场景下的目标麦穗图像的步骤之前，还包括：
7、获取初始麦穗图像数据集，并对所述初始麦穗图像数据集进行数据增强处理，获得目标麦穗图像数据集；
8、构建yolov5网络模型；
9、对所述yolov5网络模型进行改进，获得初始wheat-yolov5s模型；
10、根据所述目标麦穗图像数据集对所述初始wheat-yolov5s模型进行训练，获得训练结果；
11、根据所述训练结果对所述初始wheat-yolov5s模型进行优化，获得预设wheat-yolov5s模型。
12、可选地，所述ecanet注意力机制包括：
13、跨通道交互模块，用于利用全局平均池化对输入的特征图进行处理，得到1×1×c的特征向量，并用大小为k的一维卷积核做卷积处理，实现跨通道的交互，其中，c为通道数；
14、特征激活模块，用于应用sigmoid方法对所述1×1×c的特征向量做激活操作，获取通道权重系数，并通过点乘运算将通道权重参数应用到原始特征矩阵中。
15、可选地，所述yolov5网络模型包括：
16、input输入端，用于进行mosaic数据增强和自适应图片缩放；
17、backbone骨干网络，包括focus模块、csp模块和spp模块；
18、neck网络，采用fpn+pan的结构，其中fpn结构用于自上向下传递强语义特征信息；pan结构在fpn结构之后增加一个向上的特征金字塔，用于自下向上传递强定位信息；
19、prediction输出层，包括giou_loss损失函数和nms非极大抑制算法。
20、可选地，所述对所述yolov5网络模型进行改进的步骤，包括：
21、在所述yolov5网络模型的backbone骨干网络的引入ecanet注意力机制；
22、将所述yolov5网络模型的neck网络的常规卷积替换为拆分的卷积sp conv；
23、在所述yolov5网络模型损失函数中引入power变换，获得优化后的损失函数。
24、可选地，所述优化后的损失函数表达式为：
25、
26、式中，所述iou为所述预设wheat-yolov5s模型在检测麦穗的过程中预测框与真实框之间的交集和并集之比，b和bgt分别表示预测框和真实框的中心点，ρ是用来衡量预测框和真实框中心点之间的欧氏距离，c代表能同时包含预测框和真实框的最小外界框的对角线距离，cw和ch是最小外接框的宽和高，w和h代表预测框的宽和高，wgt和hgt代表真实框的宽和高，α为power参数。
27、可选地，所述根据所述训练结果对所述初始wheat-yolov5s模型进行优化，获得预设wheat-yolov5s模型的步骤之后，还包括：
28、采用模型评价指标对所述预设wheat-yolov5s模型进行评价，所述模型评价指标包括：召回率recall、精确率precision、平均精度ap以及f1值，其公式如下：
29、
30、
31、
32、
33、式中，f1值是精确率precision与召回率recall的加权平均值。tp为检测小麦正确的数量，fn为漏掉的小麦数量，fp为检测错误的小麦数量，ap指precision曲线下面积。
34、此外，为实现上述目的，本专利技术还提出一种基于改进的yolov5的麦穗检测装置，所述装置包括：
35、图像获取模块，用于获取自然场景下的目标麦穗图像；
36、图像检测模块，用于将所述目标麦穗图像输入至预设wheat-yolov5s模型进行检测，获得检测结果，所述预设wheat-yolov5s模型在yolov5网络模型的backbone部分融入注意力机制，并将neck部分的常规卷积替换为拆分的卷积spconv；
37、麦穗定位模块，用于根据所述检测结果，对所述目标麦穗图像中的麦穗进行定位。
38、此外，为实现上述目的，本专利技术还提出一种基于改进的yolov5的麦穗检测设备，所述设备包括：存储器、处理器及本文档来自技高网...
【技术保护点】
1.一种基于改进的YOLOv5的麦穗检测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于改进的YOLOv5的麦穗检测方法，其特征在于，所述获取自然场景下的目标麦穗图像的步骤之前，还包括：
3.如权利要求1所述的基于改进的YOLOv5的麦穗检测方法，其特征在于，所述ECANet注意力机制包括：
4.如权利要求2所述的基于改进的YOLOv5的麦穗检测方法，其特征在于，所述YOLOv5网络模型包括：
5.如权利要求2所述的基于改进的YOLOv5的麦穗检测方法，其特征在于，所述对所述YOLOv5网络模型进行改进的步骤，包括：
6.如权利要求4所述的基于改进的YOLOv5的麦穗检测方法，其特征在于，所述优化后的损失函数表达式为：
7.如权利要求2所述的基于改进的YOLOv5的麦穗检测方法，其特征在于，所述根据所述训练结果对所述初始Wheat-YOLOv5s模型进行优化，获得预设Wheat-YOLOv5s模型的步骤之后，还包括：
8.一种基于改进的YOLOv5的麦穗检测装置，其特征在于，所
9.一种基于改进的YOLOv5的麦穗检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于改进的YOLOv5的麦穗检测程序，所述基于改进的YOLOv5的麦穗检测程序配置为实现如权利要求1至7中任一项所述的基于改进的YOLOv5的麦穗检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有基于改进的YOLOv5的麦穗检测程序，所述基于改进的YOLOv5的麦穗检测程序被处理器执行时实现如权利要求1至7任一项所述的基于改进的YOLOv5的麦穗检测方法的步骤。
...【技术特征摘要】
1.一种基于改进的yolov5的麦穗检测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于改进的yolov5的麦穗检测方法，其特征在于，所述获取自然场景下的目标麦穗图像的步骤之前，还包括：
3.如权利要求1所述的基于改进的yolov5的麦穗检测方法，其特征在于，所述ecanet注意力机制包括：
4.如权利要求2所述的基于改进的yolov5的麦穗检测方法，其特征在于，所述yolov5网络模型包括：
5.如权利要求2所述的基于改进的yolov5的麦穗检测方法，其特征在于，所述对所述yolov5网络模型进行改进的步骤，包括：
6.如权利要求4所述的基于改进的yolov5的麦穗检测方法，其特征在于，所述优化后的损失函数表达式为：
7.如权利要求2所述的基于改进的yolov5的麦穗检测...
【专利技术属性】
技术研发人员：汪红，田莎莎，史梦娟，郑禄，帖军，毛宴斌，芦培杰，方龙飞，徐科，
申请(专利权)人：中南民族大学，
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。