本发明专利技术公开了一种改进的蜜蜂授粉轻量化视觉检测方法，包括：获取蜜蜂授粉图像数据集，并进行预处理；搭建改进的轻量化YOLOv5s卷积神经网络模型；训练改进后的轻量化YOLOv5s卷积神经网络模型；将待测蜜蜂授粉图像输入至训练后的YOLOv5s卷积神经网络模型，得到蜜蜂授粉的类别和位置信息。本方法具备较好的稳定性和鲁棒性，对复杂环境背景下的蜜蜂授粉图片有较高的检测准确率，可实现复杂环境下精确检测蜜蜂授粉活动。
1、蓝莓是一种非常依赖蜜蜂授粉的作物，借助蜜蜂授粉不仅均匀而且效率高，大大节省人工成本，还有利于提高蓝莓的座果率和果实品质，解决了设施蓝莓在相对隔离条件下的授粉难题。蜜蜂本身有它的生物习性，在阴雨天和低温天，蜜蜂存在出勤率减少的情况。通过摄像头抓拍记录每一朵花上蜜蜂的访花行为，实现蓝莓在开花窗口期的授粉次数统计，为农户动态调整大棚内温湿度、蜜蜂投放数量提供了现实依据，极大的提高蓝莓授粉率。
2、随着移动设备的快速发展和广泛应用，人们对实际生产中的智能设备在快、准、稳方面的需求日益增加。这就要求研究的课题不仅仅适用于实验环境，还要考虑现实环境中的各种复杂因素带来的干扰，因此研究出的算法要对这些干扰具备一定的鉴别和抵抗能力，这样才能更好的应用于真实环境中。目前采用深度学习神经网络对农作物进行检测识别应用，优点是不需人工参与特征选取，检测准确率较好，但由于神经网络结构复杂、层数深以及参数量大的特点，导致模型的可移植性低。
>5、训练改进后的轻量化yolov5s卷积神经网络模型；6、将待测蜜蜂授粉图像输入至训练后的yolov5s卷积神经网络模型，得到蜜蜂授粉的类别和位置信息。
7、进一步地，获取蜜蜂授粉图像数据集，并进行预处理，具体为：
8、对蜜蜂授粉图像数据集使用脚本进行格式转化，即将原始标注信息的xml文件转化为包含类别与位置信息的txt格式文件；
9、将格式转化后的蜜蜂授粉图像数据集随机划分为训练集、验证集和测试集；
10、对训练集的蜜蜂授粉图像数据随机采用翻转、平移、旋转、缩放方式进行数据增强，并统一调整图像大小。
11、进一步地，搭建改进的轻量化yolov5s卷积神经网络模型，具体为：
12、采用轻量级多尺度注意力模型efficientvit替换原特征提取网络；
13、设计改进的sgam注意力模块加强对输出特征图细致特征的提取；
14、设计repghostc3轻量化模块对颈部网络进行改进，搭建轻量化颈部网络；
15、使用两个检测器对特征图进行检测，并将anchor based机制替换为anchorfree机制；
16、对类别损失函数进行改进。
17、进一步地，改进的sgam注意力模块实现过程如下：
18、将特征图s切分为n个部分，用[s0,s1,s2,...,sn-1]表示，每个分割部分的通道数为c1＝c/n，同时，分割之后的特征图si∈rc1*w*h,i＝0,1,2,...,n-1；针对划分出来的每个通道特征图，运用多尺度卷积核分组卷积提取不同尺度特征图的空间信息；
19、根据卷积核的大小来自适应选择group大小，group与kernel size的关系式为:
20、g＝2(k-1)/2
21、再将分割后的特征图输入至通道注意力子模块，使用三维排列来保留三个维度上的信息和两层的多层感知机；
22、获取卷积核的大小，其中卷积核k根据对通道维度c的映射自适应地确定；
23、通道注意力子模块处理后的特征图输入至空间注意力子模块中。
24、进一步地，卷积核k获取方式为：
25、
26、其中c为输入的通道数，b＝1,γ＝2。
27、更进一步地，所述空间注意力子模块操作表达式为：
28、ms＝sig{f3*3(fc)+f3*3(fb)]}
29、其中，ms表示通道注意力子模块,f3x3表示卷积核为3x3的空洞卷积运算，fc为经过第一个3×3的卷积层缩减通道数量后的特征图，fb为经过第二个3×3的卷积层增加通道数量后的特征图，保持通道数量的一致。
30、更进一步地，设计repghostc3轻量化模块对颈部网络进行改进，搭建轻量化颈部网络，具体为：
31、搭建改进的ghostbottleneck模块，其包括两个ghost卷积层、一个gam模块；在第一个ghost卷积层，输入的特征图x首先采用1×1卷积层对通道数进行压缩，并采用relu激活函数激活，再通过点乘卷积及concat层叠加融合操作，并用relu激活函数激活；gam模块对特征图中的目标进行特征拟合提取；第二个ghost卷积层，采用1x1卷积层对通道数进行升维，使得输出通道数与输入通道数对齐，之后采用点乘卷积与concat层进行相应特征的聚合获得特征图x2，最后进行残差融合获得特征图x3，具体如下：
32、x2＝ghostmodel(gam(ghostmodel(conv(x))))
33、x3＝concat(x2,x)。
34、更进一步地，通过rep-ghostneck模块对ghostbottleneck模块进行轻量化处理；所述rep-ghostneck模块包括两个repghost模块，第一个repghost模块，对输入的特征图x使用一个1×1卷积层和relu激活函数来实现输入通道数量降为一半的操作，之后采用点乘卷积，分别对特征图的每个通道特征信息进行卷积计算，并把原始ghost模块的concat操作换成add操作，同时对残差结构进行优化，在恒等映射分支中添加bn操作；并采用gam注意力机制提高特征提取能力；在第二个repghost模块，采用1x1卷积层与点乘卷积层的组合方式，进行轻量化的卷积计算获得特征图x2，完成残差融合获得特征图x3，具体计算公式如下：
35、x2＝rep-ghostmodel(gam(rep-ghostmodel(conv(x))))
36、x3＝add(x2,x)
37、使用rep-ghostneck模块替换c3模块中的第二个卷积层构建轻量化repghostc3模块，具体如下：
38、x1＝conv(concat(rep-ghostneck(conv(x),conv(x))))
39、其中x1为repghostc3模块处理后的输出特征图，x为输入特征图。
40、更进一步地，对类别损失函数进行改进，具体为：
41、l＝lk+λlsize+βloff
42、其中，l表示heatmap中心点损失，loff表示目标中心点偏移损失，lsize表示目标长宽损失函数，其中heatmap损失函数如下：
43、
44、其中的α与β是两个本文档来自技高网...
【技术保护点】
1.一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，包括：
2.根据权利要求1所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，获取蜜蜂授粉图像数据集，并进行预处理，具体为：
3.根据权利要求1所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，搭建改进的轻量化YOLOv5s卷积神经网络模型，具体为：采用轻量级多尺度注意力模型EfficientVit替换原特征提取网络；
4.根据权利要求3所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，改进的SGAM注意力模块实现过程如下：
5.根据权利要求4所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，卷积核k获取方式为：
6.根据权利要求4所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，所述空间注意力子模块操作表达式为：
7.根据权利要求3所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，设计RepghostC3轻量化模块对颈部网络进行改进，搭建轻量化颈部网络，具体为：
8.根据权利要求7所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，通过Rep-ghostneck模块对ghostbottleneck模块进行轻量化处理；所述Rep-ghostneck模块包括两个Repghost模块，第一个Repghost模块，对输入的特征图X使用一个1×1卷积层和ReLU激活函数来实现输入通道数量降为一半的操作，之后采用点乘卷积，分别对特征图的每个通道特征信息进行卷积计算，并把原始Ghost模块的Concat操作换成Add操作，同时对残差结构进行优化，在恒等映射分支中添加BN操作；并采用GAM注意力机制提高特征提取能力；在第二个Repghost模块，采用1x1卷积层与点乘卷积层的组合方式，进行轻量化的卷积计算获得特征图X2，完成残差融合获得特征图X3，具体计算公式如下：
9.根据权利要求1所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，对类别损失函数进行改进，具体为：
10.根据权利要求1所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，训练改进后的轻量化YOLOv5s卷积神经网络模型，具体为：
...
【技术特征摘要】
1.一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，包括：
2.根据权利要求1所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，获取蜜蜂授粉图像数据集，并进行预处理，具体为：
3.根据权利要求1所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，搭建改进的轻量化yolov5s卷积神经网络模型，具体为：采用轻量级多尺度注意力模型efficientvit替换原特征提取网络；
4.根据权利要求3所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，改进的sgam注意力模块实现过程如下：
5.根据权利要求4所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，卷积核k获取方式为：
6.根据权利要求4所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，所述空间注意力子模块操作表达式为：
7.根据权利要求3所述一种改进的蜜蜂授粉轻量化视觉检测方法，其特征在于，设计repghostc3轻量化模块对颈部网络进行改进，搭建轻量化颈部网络，具体为：
8.根据权利要求...
【专利技术属性】
技术研发人员：胡玲艳，孙浩，汪祖民，盖荣丽，徐国辉，鞠博文，郭占俊，陈鹏宇，郭睿雅，秦山，李国强，
申请(专利权)人：大连大学，
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。