欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021109063909
申请人: 江苏大学
专利类型:发明专利
专利状态:授权未缴费
专利领域: 计算;推算;计数
更新日期:2024-05-15
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于YOLOv5s的粮仓害虫检测方法,其特征在于,包括如下步骤:

1)将粮仓害虫诱捕器置于粮仓中诱捕害虫,所述粮仓害虫诱捕器包括摄像装置、进虫孔、照明装置和存储装置4个部分;所述照明装置保持常亮用于照明,所述进虫孔用于害虫进入诱捕器的存储装置中,所述存储装置用于存放进入粮仓害虫诱捕器的害虫;所述摄像装置用于定时对存储装置中的害虫进行拍摄;

2)构建虫图集D2,划分训练集D

3)构建YOLOv5s网络模型,所述YOLOv5s网络模型包括主干网络、颈部网络和头部;所述主干网络包括Focus模块、SPP模块、CBS模块和CSP模块;所述颈部网络包括CBS模块、CSP模块;所述头部包括检测头;其中,所述主干网络CSP模块由支路1和支路2组成,支路1由卷积层、批量归一化和SiLU激活函数组成,支路2由卷积层、批量归一化、SiLU激活函数和n个残差单元组成;所述颈部网络CSP模块结构由支路3和支路4组成,支路3和支路4均由卷积层、批量归一化和SiLU激活函数组成;

4)修改主干网络CSP模块支路1结构,将支路1中的卷基层修改为SK卷积;

5)修改主干网络CSP模块支路2结构,在支路2中加入SE模块;

6)将所有CSP模块中残差单元的数量由n个减少为1个;

7)将CSP模块中残差单元修改为ResNeXt残差单元,方法为:将残差单元中第1层和第2层卷积替换成具有g组分组卷积的三层卷积,其中第1层卷积的卷积核大小为1,输出通道数为输入通道数的一半;第2层卷积的卷积核大小为3,输出通道数不变,是一个具有g组卷积的分组卷积;第3层卷积的卷积核为1,输出通道数为输入通道数的1倍;

8)修改YOLOv5s颈部网络的CSP模块结构,将其CSP模块结构保持与主干网络CSP模块结构一致;

9)对虫图集D2进行迁移训练,得到训练权重w;即用CIOU_Loss作为损失函数,当模型损失曲线趋近于0且无明显波动时,停止训练,得到训练权重w,否则继续训练;

10)输入图像,进行害虫检测,将获取到的害虫图像输入到训练权重为w的模型中,模型根据权重自动识别害虫的种类及数量。

2.如权利要求1所述的基于YOLOv5s的粮仓害虫检测方法,其特征在于所述步骤2)包括如下步骤:

2.1)从粮仓害虫诱捕器拍摄所得的图像中选择N张包含害虫的图像,构建数据集D1;

2.2)使用标注工具对数据集D1的中每一张图像中的害虫进行标注,制作虫图,构建虫图集D2;

2.3)按m:e比例将虫图集D2划分为训练集D

3.如权利要求1所述的基于YOLOv5s的粮仓害虫检测方法,其特征在于所述步骤4)包括如下步骤:

4.1)获取融合感受野的特征图U,SK卷积对输入特征图x,分别使用卷积核大小为f1×f1和f2×f2的卷积核对其进行卷积操作,得到输出U1和U2,其中x∈R

4.2)U1和U2相加得到融合了多个感受野的特征图U,U∈R

4.3)计算通道分离的统计信息,使用全局平均池化操作(F

4.4)对统计信息进行降维,使用全连接层(F

z=F

式中:z∈R

4.5)计算注意力向量,对输出z使用softmax操作得到软注意力向量a和b,公式如下:式中:A,B∈R

4.6)计算带有空间注意力的特征图,U1和U2分别与注意力向量a和b相乘,再对其进行特征融合得到最终结果v,计算公式如下:v

式中:v=[v

4.如权利要求1所述的基于YOLOv5s的粮仓害虫检测方法,其特征在于所述步骤5)包括如下步骤:

5.1)计算具有通道级的全局特征,对于输入特征图x,SE模块首先对x进行全局平均池化操作,将全局空间信息压缩得到1×1×C大小的特征图,生成通道级的全局特征z,其中z的第c个元素计算公式如下:式中:x∈R

5.2)计算各通道的权重:通过一个全连接层(FC),对全局特征z进行降维,使用ReLU函数进行激活,再通过一个全连接层将维数恢复到原来的大小,并通过Sigmoid函数激活,输出各通道的权重s,转换公式如下:s=σ(W

式中:δ是ReLU函数,σ是Sigmoid函数,

5.3)计算带有通道注意力的特征图,各通道权重s与特征图x经过逐通道重新加权生成最终输出X,完成对特征图x在通道维度上特征的重标定,转换公式见下:X=s·x。

5.如权利要求1所述的基于YOLOv5s的粮仓害虫检测方法,其特征在于所述步骤9)中,所述CIoU_Loss损失函数转换公式如下:式中,

IoU表示两个重叠矩形框之间的交并比;b和b