【技术实现步骤摘要】
本专利技术属于果蔬检测特定计算机模型的，更具体地，涉及一种基于改进yolov5s的轻量化番茄成熟度检测系统及方法。
技术介绍
1、果实的成熟是生长发育的重要阶段之一，也是果实品质形成的关键时期。番茄作为三大世界性贸易蔬菜之一，在全球蔬菜贸易中占有重要地位。因此对于番茄的成熟度检测成为农业领域中的一项重要任务，也具有重要意义。随着人工智能领域的发展，基于深度学习的番茄成熟度检测方法逐渐得到了广泛的应用。该方法通过获取番茄的图像信息，利用图像处理技术对图像进行分析和处理，提取出与番茄成熟度相关的特征，如颜色、形状、纹理等，并建立相应的模型，实现对番茄成熟度的自动检测和识别。
2、中国专利技术专利cn116977948a公开了基于改进yolov5的交通安全头盔佩戴检测系统及方法，包括所述交通安全头盔佩戴检测模型基于yolov5s模型结构进行改进，首先，将yolov5s模型中骨干网络替换为ghostnet轻量化骨干网络；其次，将rfb模块集成到经过ghostnet轻量化后骨干网络的空间金字塔池化部分；接着，在颈部网络通过融入轻量级卷积gsconv；最后，将网络训练损失函数由ciouloss替换为eiouloss。
3、然而，对于农业生产环境而言，yolov5s模型仍然存在计算量大、耗时较长等问题，难以满足实际农业现场的需求。具体的，在特征提取过程中会出现一些相似特征图，对于这些相似特征图yolov5s模型仍采用非线性变换操作，导致计算量增大，yolov5s模型的panet结构在特征融合过程中未考虑到不同特征信息在
技术实现思路
1、本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种基于改进yolov5s的轻量化番茄成熟度检测方法，以解决现有技术yolov5s模型的panet结构在特征融合过程中未考虑到不同特征信息在融合过程中的不同贡献，且没有横向连接充分融合特征信息，导致多尺度特征的表达能力减弱，检测精度降低，在计算损失时未计算预测框和真实框的长宽损失，导致模型收敛速度降低等问题。
2、本专利技术详细的技术方案如下：
3、一种基于改进yolov5s的轻量化番茄成熟度检测系统，包括
4、数据获取模块，用于获取标有成熟度标签的番茄图像构成数据集，所述标签包括成熟、半成熟、未成熟三种数据标签；
5、数据预处理模块，将获取的数据集划分为训练集、验证集和测试集；
6、数据检测模块，将预处理后的数据输入轻量级番茄成熟度检测模型；
7、进一步地，所述轻量级番茄成熟度检测模型包括backbone骨干网络、neck颈部结构、head头部结构；
8、所述骨干网络中包括ghostconv模块、c3ghost模块、sppf模块；所述c3ghost模块是将原c3模块内部的bottleneck模块替换为ghostbottleneck模块；
9、所述颈部结构的panet使用加权双向特征金字塔网络bifpn进行代替，所述加权双向特征金字塔网络bifpn包括双向跨尺度连接模块和加权特征融合模块；
10、所述头部结构使用eiou损失函数替换ciou损失函数。
11、进一步地，所述c3ghost模块包括第一模块、第二模块和拼接模块；
12、所述第一模块包括conv模块和ghostbottleneck模块，所述第二模块包括conv模块；
13、所述拼接模块对数据进行拼接操作后再经conv模块处理。
14、具体的，所述双向跨尺度连接模块对特征图从高分辨率到低分辨率特征图执行特征融合和从低分辨率到高分辨率特征图执行特征融合，在自下而上和自上而下的特征融合过程中，还执行跨阶段信息传递；
15、所述加权特征融合模块使用快速归一化融合，对于每个输入添加一个额外的权重：
16、
17、公式(1)中，o表示输出特征，ε表示学习率；ii表示第i个输入特征，wi表示特征ii对应的权重，i表示网络层数，j是网络层数总数。
18、进一步地，改进损失计算，所述头部结构使用eiou损失函数替换ciou损失函数，所述损失计算包含矩形框损失(lossrect)、置信度损失(lossobj)和分类损失(lossclc)，使用eiou损失函数替换ciou损失函数：
19、
20、该损失函数包含三个部分：liou重叠损失，ldis中心距离损失，lasp宽高损失，其中b，bgt分别表示预测框和真实框，ρ(b，bgt)表示预测框与真实框两个中心点之间的欧氏距离。cw和ch是覆盖预测框和真实框的最小外接框的宽度和高度。
21、本方案还包括一种基于改进yolov5s的轻量化番茄成熟度检测方法，包括：
22、s1：获取带有成熟度标签的番茄图像并进行划分，构建数据集；
23、本数据集共有1500张图片，包括带有成熟度标签的番茄图像，具体包含成熟、半成熟、未成熟三种数据标签，按照7：2：1比例划分数据集为训练集、验证集和测试集，分别用于模型的训练、验证和测试。
24、s2：构建基于改进yolov5s的轻量化番茄成熟度的检测模型，设置训练轮次以及初始化参数；
25、设置训练轮次300轮，batch-size为32，使用一张a100显卡训练模型，图片输入大小640×640，初始权重设置为空，将训练集输入改进后的模型进行训练。
26、s3：检测模型的骨干网络进行特征提取，具体包括：
27、s31：图像输入到骨干网络进行特征提取，ghostconv模块使用1×1卷积核对输入图像进行特征提取，然后对提取到的特征图进行线性变换运算，最后通过拼接操作对特征图和进行线性变化的特征图进行拼接，生成第一特征图。
28、s32：第一特征图分别进入c3ghost模块的第一模块和第二模块，再进行拼接操作，最后经一个ghostconv模块处理后得到第二特征图；
29、所述ghostbottleneck使用的是残差连接，ghostbottleneck由两个堆叠的ghostconv模块组成。第一个ghostconv模块作用是增加通道数，第二个ghostconv模块的作用是减少输出特征图的通道数，最后使用残差连接，将ghostbottleneck模块的输入特征与经过两个ghostconv模块处理后的输出特征相加。
30、s33：第二特征图输入到sppf模块，通过conv模块，再分别通过池化核为5×5，9×9和13×13的最大值池化，然后将三种最大值池化处理后的结果与conv模块的输出结果进行堆叠，最后再经过一次conv模块得到最终特征图。
31、s4：检测模型的颈部结构对最终特征图进行特征融合得到特征金字塔；...
【技术保护点】
1.一种基于改进YOLOv5s的轻量化番茄成熟度检测系统，其特征在于，所述系统包括：
2.根据权利要求1所述的一种基于改进YOLOv5s的轻量化番茄成熟度检测系统，其特征在于，所述C3Ghost模块包括分别与拼接模块连接的第一模块和第二模块；
3.根据权利要求2所述的一种基于改进YOLOv5s的轻量化番茄成熟度检测系统，其特征在于，所述双向跨尺度连接模块对骨干网络提取的特征图从高分辨率到低分辨率执行特征融合和从低分辨率到高分辨率执行特征融合，在自下而上和自上而下的特征融合过程中，还执行跨阶段信息传递，最终得到特征金字塔；
4.根据权利要求1所述的一种基于改进YOLOv5s的轻量化番茄成熟度检测系统，其特征在于，所述头部结构使用EIoU损失函数替换CIoU损失函数包括：
5.一种基于改进YOLOv5s的轻量化番茄成熟度检测方法，其特征在于，所述方法包括：
6.根据权利要求5所述的一种基于改进YOLOv5s的轻量化番茄成熟度检测方法，其特征在于，所述输入数据集进行特征提取，得到最终特征图具体包括：
7.根据权利要
8.根据权利要求7所述的一种基于改进YOLOv5s的轻量化番茄成熟度检测方法，其特征在于，所述基于特征金字塔进行目标检测具体包括：
...【技术特征摘要】
1.一种基于改进yolov5s的轻量化番茄成熟度检测系统，其特征在于，所述系统包括：
2.根据权利要求1所述的一种基于改进yolov5s的轻量化番茄成熟度检测系统，其特征在于，所述c3ghost模块包括分别与拼接模块连接的第一模块和第二模块；
3.根据权利要求2所述的一种基于改进yolov5s的轻量化番茄成熟度检测系统，其特征在于，所述双向跨尺度连接模块对骨干网络提取的特征图从高分辨率到低分辨率执行特征融合和从低分辨率到高分辨率执行特征融合，在自下而上和自上而下的特征融合过程中，还执行跨阶段信息传递，最终得到特征金字塔；
4.根据权利要求1所述的一种基于改进yolov5s的轻量化番茄成熟度检...
【专利技术属性】
技术研发人员：郝凤琦，张祖尧，白金强，马德新，郝慧娟，张让勇，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
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。