1.一种基于改进的YOLOv5的麦穗检测方法,其特征在于:该方法包括下列顺序的步骤:(1)获取麦穗图像并对麦穗图像进行标注,获得麦穗图像数据集,将麦穗图像数据集划分为训练集和测试集;
(2)构建YOLOv5网络模型;
(3)对YOLOv5网络模型进行改进,得到改进的YOLOv5网络模型;
(4)将训练集输入改进的YOLOv5网络模型中,对改进的YOLOv5网络模型进行训练;
(5)对改进的YOLOv5网络模型进行评价和测试;
在步骤(2)中,所述YOLOv5网络模型包括:
Input输入端,用于进行Mosaic数据增强和自适应图片缩放;
Backbone基础网络,包括CON结构、C3结构和SPP结构;
Neck网络,采用FPN+PAN的结构,其中FPN结构用于自上向下传递强语义特征信息;PAN结构在FPN结构之后增加一个向上的特征金字塔,用于自下向上传递强定位信息;
Prediction输出层,包括Bounding Box损失函数和NMS非极大抑制,所述Bounding Box损失函数采用GIOU_Loss损失函数;
所述步骤(3)具体包括以下步骤:
(3a)在YOLOv5网络模型的Backbone基础网络的C3结构与SPP结构之间引入CA注意力机制;
(3b)在YOLOv5网络模型中增加一个160×160的检测尺度,由三尺度检测拓展为四尺度检测;在80×80特征层之后继续增加卷积层和上采样,再将二倍上采样特征层与160×160特征层进行融合,得到第四个160×160的检测尺度,锚框设置采取YOLOv5自带K-Means算法自动生成;
(3c)Bounding Box损失函数采用CIOU_Loss损失函数,其公式如下:其中,a是权重系数,v表示检测框和真实框的长宽比的距离,b和bgt分别表示类别是麦穗的预测框和非麦穗的预测框的中心点,ρ表示欧氏距离,C表示目标最小外接矩形的对角线距离,IoU表示两个框的交集面积比上他们的并集面积,a和v的表达式为:式中,ωgt为真实矩形框的宽,hgt为真实矩形框的高,ω为检测矩形框的宽,h为检测矩形框的高;
所述步骤(5)具体是指:采用模型评价指标对改进的YOLOv5网络模型进行评价,所述模型评价指标包括准确率P、召回率R和平均精度均值mAP,其公式如下:其中,是平均精度,TP表示模型预测正确麦穗的数量,FP表示把非麦穗区域识别成麦穗的样本数量,FN表示将麦穗识别成非麦穗区域的样本数量,M表示类别数量,R表示召回率P(R)表示不同召回率R下对应的准确率P,APi表示第i次迭代的平均精度;
最后将测试集输入训练好的改进的YOLOv5网络模型中进行测试。
2.根据权利要求1所述的基于改进的YOLOv5的麦穗检测方法,其特征在于:所述步骤(1)具体包括以下步骤:(1a)采用DJI Phantom 4PRO无人机,搭载相机型号为FC6310的相机,采集1500张麦穗图像,麦穗图像的分辨率为5472×3648像素;
(1b)用数据标注工具Labeling对麦穗图像进行标注,用矩形框标注图像中麦穗的位置,标注成YOLO格式,得到麦穗图像数据集;
(1c)将标注好的麦穗图像数据集按照7:3的比例划分成训练集和测试集。
3.根据权利要求1所述的基于改进的YOLOv5的麦穗检测方法,其特征在于:所述步骤(4)具体包括以下步骤:(4a)设置训练参数即网格训练参数,网格训练参数包括迭代次数、批量大小batchsize、学习率和动量,其中,迭代次数为200,批量大小batch size为8,学习率为0.01,动量为0.937;
(4b)设置YOLOv5网络模型参数即数据增强参数,数据增强参数包括hsv_h、hsv_s、hsv_v、degrees、flipud和fliplr,其中,hsv_h为0.015,hsv_s为0.7,hsv_v为0.4,degrees为1.0,flipud为0.01,fliplr为0.5;
采用网格训练参数、数据增强参数以及训练集对改进的YOLOv5网络模型进行训练。
4.根据权利要求1所述的基于改进的YOLOv5的麦穗检测方法,其特征在于:在步骤(3a)中,所述CA注意力机制包括:(3a1)嵌入坐标信息:使用池化层分别沿着水平坐标和垂直坐标对每个通道进行编码,得到一对方向感知特征图;
(3a2)生成坐标信息特征图:首先将提取到的特征信息进行拼接,然后利用一个1×1卷积变换函数进行信息转换,进而得到中间特征图,并沿着空间维度分解为两个单独的张量,再利用两个卷积变换为具有相同通道数的张量,最后将输出结果进行扩展,分别作为注意力权重分配值。