1.一种基于自定义旋转框的麦穗检测方法,其特征在于,该方法包括如下步骤,步骤S100,拍摄观测区群体麦穗图像;
步骤S200,改进YoloV5目标检测网络的检测框定义方式和损失函数,获得基于自定义旋转框的YoloV5目标检测网络模型;
步骤S300,对改进后的基于自定义旋转框的YoloV5目标检测网络模型进行训练;
步骤S400,利用训练好的基于自定义旋转框的YoloV5目标检测网络模型对观测区群体麦穗图像进行检测,并获得旋转框框出的麦穗检测结果图像。
2.根据权利要求1所述的基于自定义旋转框的麦穗检测方法,其特征在于:步骤S200中,改进YoloV5目标检测网络模型以CSPDarknet53作为特征提取主干网络,并在主干网络中添加了多个CSP模块;主干网络CSPDarknet53依次连接SPP结构和PANet网络,PANet网络输出的结果利用继承于Yolov4的YoloHead网络结构输出检测框以及检测框内的置信度,NMS模块对所有物体置信框进行合并后输出合并结果。
3.根据权利要求2所述的基于自定义旋转框的麦穗检测方法,其特征在于,步骤S200具体包括如下步骤:步骤S210,重新定义检测旋转框,以图像左上角作为中心O,以平行于图像水平边作为x轴,以图像竖直边作为y轴,旋转框采用如下5个参数来定义:旋转框中心点坐标(xc,yc),旋转框对角线半长r,旋转框x轴沿顺时针旋转至第一根对角线的旋转角度θ1,旋转框x轴沿顺时针旋转碰到第二根对角线的旋转角度θ2;
步骤S220,为了在训练过程中能够更新网络模型参数,基于自定义旋转框检测的损失函数的具体公式如下,其中,n表示样本容量,θi,l表示第i个θ参数的第1个样本,θ′,x′c,y′c,r′表示当前预测结果,θ,xc,yc,r表示目标预测结果;
步骤S230,在旋转角度预测时,按照1°作为间隔将旋转角度以十进制分为180个类别;
为减少旋转分类时预测层的编码长度,采用哥伦布编码方式对旋转角度进行分类编码与解码。
4.根据权利要求3所述的基于自定义旋转框的麦穗检测方法,其特征在于,步骤S230采用哥伦布编码方式对旋转角度进行分类编码与解码,当进行网络训练时,具体编码方式如下,
S231,读取待训练样本X的旋转角度类别号,得到旋转角度类别A;
S231,对数字A加1,得到待编码数字B;
S232,对待编码数字B进行二进制编码得到码字,并计算码长L;
S233,然后在码字前插入L‑1个0,得到经过哥伦布编码后的旋转角度分类码N;
S234,将分类码N替换训练样本X中的旋转角度类别号后,输入目标检测网络进行训练;
当进行目标检测时,具体解码方式如下,
S235,待检测样本Y输入已训练好的目标检测网络中,得到旋转角度分类码M;
S236,计算分类码M的编码长度L,并读取分类码M的第(L+1)/2位到第L位的码字O;
S237,将码字O进行二进制解码,得到预测的旋转角度类别号并减1得到预测角度类别C。
5.根据权利要求2所述的基于自定义旋转框的麦穗检测方法,其特征在于:步骤S300中,按如下步骤对基于自定义旋转框的YoloV5目标检测网络模型进行训练,步骤S310,导入多个观测区内群体麦穗图像;
步骤S320,在植保专家指导下,人工标注上述群体麦穗图像中的麦穗,制作训练集;
步骤S330,将训练集输入基于自定义旋转框的YoloV5旋转目标检测网络模型中训练
300轮,其中训练前150轮学习率为0.001,训练后150轮学习率为0.0001;
步骤S340,训练完成后,保存权重参数。