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】
本专利技术涉及精准农业检测,具体涉及一种改进的蜜蜂授粉轻量化视觉检测方法。
技术介绍
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。
技术实现思路
1、本专利技术的目的在于,提出一种高效的蜜蜂授粉轻量化检测方法,设计的轻量化神经网络模型同时满足高精度、高速度、高鲁棒性和低参数量的要求。
2、为实现上述目的,本申请提出的一种改进的蜜蜂授粉轻量化视觉检测方法,包括:
3、获取蜜蜂授粉图像数据集,并进行预处理;
4、搭建改进的轻量化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
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。