一种基于YOLOv5s算法的储粮害虫检测方法

一种基于yolov5s算法的储粮害虫检测方法
技术领域
1.本发明涉及图像目标检测领域，具体的说是一种基于yolov5s算法的储粮害虫检测方法。


背景技术：

2.储粮害虫是造成粮食储存环节损耗的主要原因之一，高效地检测储粮害虫的种类和数量，是保障安全储粮的一项重要任务。传统的基于图像处理的储粮害虫检测方法(如支持向量机和反向传播神经网络等)往往无法达到令人满意的效果。基于深度学习的图像处理方法避免了手工设计粮虫特征的烦琐步骤，可以自动学习和泛化大量图像数据的特征，对粮虫的特征向量进行分类，快速识别不同储粮害虫种类，因此将深度学习模型应用到储粮害虫的小目标检测中，能够实现储粮害虫的高效检测，减少经济损失，提升储粮环境质量。现有的基于深度学习模型的检测方法主要分为两类，基于区域建议的两阶段目标检测方法和基于回归的单阶段目标检测方法。最具代表性的两阶段目标检测算法主要是rcnn系列，单阶段目标检测算法为yolo系列，ssd系列等。无论是两阶段还是单阶段目标检测算法，因为缺乏针对储粮害虫的适应性改进，因此普遍存在检测过程实时性差、模型结构复杂的问题。


技术实现要素：

3.为了解决现有技术中存在检测过程实时性差、模型结构复杂的问题，本发明提供一种基于yolov5s算法的储粮害虫检测方法，包括以下步骤：
4.s1、获取储粮害虫样本图像构建样本集并进行预处理，得到储粮害虫图像数据集，将图像数据集划分为训练集和验证集；
5.s2、基于yolov5s算法构架，通过数据增强处理和主干网络轻量化处理得到优化模型；
6.s3、将训练集输入优化模型进行训练，得到储粮害虫检测模型；
7.s4、获取待识别的储粮害虫图像，并且输入到训练好的储粮害虫监测模型中进行识别，得到储粮害虫的种类和位置。
8.作为上述一种基于yolov5s算法的储粮害虫检测方法的进一步优化，s1中，构建样本集的具体方法包括：
9.s11、确定多种储粮害虫为检测目标，并且随机选取多个检测目标为一组；
10.s12、在白板背景下对一组检测目标进行拍摄得到储粮害虫样本图像；
11.s13、对储粮害虫样本图像进行数据扩充后组合得到样本集。
12.作为上述一种基于yolov5s算法的储粮害虫检测方法的进一步优化：所述数据扩充的方法包括旋转、翻转、镜像、缩放和/或平移。
13.作为上述一种基于yolov5s算法的储粮害虫检测方法的进一步优化，s2中，数据增强的具体处理过程包括：将n张图片进行拼接得到一张图片作为训练样本升级为m张图片进
行拼接得到一张图片作为训练样本，且m》n。
14.作为上述一种基于yolov5s算法的储粮害虫检测方法的进一步优化，s2中，主干网络轻量化的具体处理过程包括：去掉全连接层和softmax层。
15.作为上述一种基于yolov5s算法的储粮害虫检测方法的进一步优化：述优化模型还在分类中引入了标签平滑。
16.作为上述一种基于yolov5s算法的储粮害虫检测方法的进一步优化：所述优化模型还融合有bifpn特征金字塔结构。
17.作为上述一种基于yolov5s算法的储粮害虫检测方法的进一步优化：所述优化模型还将swin transformer组块集成到检测头head。
18.作为上述一种基于yolov5s算法的储粮害虫检测方法的进一步优化：s3的具体方法包括：利用损失函数不断调节网络中的权重，再利用验证集计算平均精度。
19.作为上述一种基于yolov5s算法的储粮害虫检测方法的进一步优化：所述平均精度达到设定的阈值，则达标，并将达标的权重文件加载至改进yolovs5算法中。
20.与现有技术相比，本发明有如下有益效果：本发明应用了深度学习中的多层卷积神经网络结构，解决目前储粮害虫检测存在的实时性低，模型结构复杂的问题，有效地提升储粮害虫检测和定位的精度及速度，降低了漏检错检的概率，同时丰富了现有的检测技术体系，提高了对储粮害虫检测的效率，促进储粮害虫的科学防治。
附图说明
21.图1是本发明提出的一种基于yolov5s算法的储粮害虫检测方法的流程图。
具体实施方式
22.下面结合具体实施例对本发明的技术方案做进一步的详细阐述，本发明以下各实施例中未详细记载和公开的部分，均应理解为本领域技术人员所知晓或应当知晓的现有技术。
23.如图1所示，一种基于yolov5s算法的储粮害虫检测方法，包括以下步骤：
24.s1、获取储粮害虫样本图像构建样本集并进行预处理，得到储粮害虫图像数据集，将图像数据集划分为训练集和验证集；
25.s2、基于yolov5s算法构架，将原本的mosaic数据增强mosaic为mosaic-9数据增强，增强了小目标对象的资料容量以及图像背景的复杂度，降低了批归一化所需的计算量；通过数据增强处理和主干网络轻量化处理得到优化模型；
26.s3、将训练集输入优化模型进行训练，得到储粮害虫检测模型；
27.s4、获取待识别的储粮害虫图像，并且输入到训练好的储粮害虫监测模型中进行识别，得到储粮害虫的种类和位置。
28.s1中，构建样本集的具体方法包括：
29.s11、确定多种储粮害虫为检测目标，并且随机选取多个检测目标为一组，选取赤拟谷盗、锈赤扁谷盗、玉米象、谷蠹和印度谷螟作为样本集，并且任选三种储粮害虫随机组合，每种储粮害虫三只；
30.s12、在白板背景下对一组检测目标进行拍摄得到储粮害虫样本图像，原图分辨率
大小设置为720
×
1280，拍摄完成后对图像进行预处理，得到1990张分辨率为640
×
640的图像，并按照8:2的比例划分训练集和验证集；
31.s13、对储粮害虫样本图像进行数据扩充后组合得到样本集，利用旋转、翻转、镜像、缩放和/或平移的图像处理方法对储粮害虫图像进行扩充。
32.s2中，数据增强的具体处理过程包括：将n张图片进行拼接得到一张图片作为训练样本升级为m张图片进行拼接得到一张图片作为训练样本，且m》n。现有的yolov5s算法中，mosaic方法是将四张图片进行拼接得到一张图片作为训练样本，即n＝4，mosaic-9方法是将九张图片进行拼接得到一张图片作为训练样本，即m＝9，并且拼接的方法包括随机缩放、随机裁减和/或随机排布，排布方法可以是九张图片排成一列、排成一行或呈矩阵排列，在本实施例中，采用呈矩阵排列，即3
×
3。不仅丰富数据集图像的背景，而且在计算的时候会一次计算九张图片的数据，使得在小尺寸下就可以达到好的效果，增强泛化能力。
33.s2中，主干网络轻量化的具体处理过程包括：将yolov5s的主干网络替换为轻量级网络，例如mobilenetv3，去掉全连接层和softmax层，不仅缩小了模型的体积，而且提升了特征的提取能力。
34.输入的图片大小为640
×
640，包含3个颜色通道，经过预处理后首先经过focus模块，采用切片操作，转换为320
×
320
×
12的特征图，其中12＝4
×
3表示将原图分成了4
×
3＝12个区域进行处理，并把每个子区域的特征图串联起来，生成了新的特征图。最终再通过32个卷积核的卷积操作，变成320
×
320
×
32的特征图，用来生成更加丰富和复杂的特征表示，用于检测目标物体。
35.在经过focus切片操作后，将conv(卷积模块)和c3两个模块堆叠三次，逐级得到不同尺寸大小的特征图，实现对浅层信息的细粒度特征和深层高级语义信息的充分提取。
36.为了避免过于依赖人工标签，优化模型还在分类中引入了标签平滑，标签平滑方法是将原始的one-hot标签y转换为一个新的概率分布y
′
，其中每个标签的概率为：其中，k是标签的总数，∈是一个小正数，取值为0.1或者0.05等比较小的数。这个公示的含义是：对于标签i，将原始的one-hot概率(ui＝1)降低了∈的权重，并分配给其他所有标签上，使得其概率都增加了从而得到了一个更加平滑的标签分布。在训练时，使用平滑后的标签y
′
代替原始的one-hot标签y进行模型的训练，以防止模型把决策过于集中在一个类别上，而将注意力更均匀地分配给所有类别。另外，标签平滑还可以引入噪声，从而提高模型的泛化能力。
37.原始yolov5s中neck部分使用fpn和pan进行特征提取和融合，通融合处理后输入到预测网络，对特征图的目标进行定位和分类，虽然能解决不同场景图像中对象尺度差异较大的问题，但并不是特征融合的最优解。因此，优化模型还融合有bifpn特征金字塔结构，采用了双向的特征上下文传播机制，同时引入了多路特征融合和梯度加权策略，以达到更好的特征表示能力和更高的计算效率。在bifpn中，有两个分支，一个是自顶向下的分支，另一个是自底向上的分支。其中自顶向下的分支通过上采样的方式实现特征的分辨率增加，反之自底向上的分支则通过降采样的方式实现特征的分辨率减小。这两个分支分别负责对输入的特征图进行不同方向的特征融合，从而实现了全局特征的建模和多尺度特征的融
合。同时，在特征融合过程中，bifpn还采取了多路特征融合方法，将来自不同深度的特征图进行融合，以增强特征的多样性和可靠性。为了保证不同深度特征的权重，bifpn还引入了梯度加权策略，通过监督信号调节不同路特征的贡献，从而更好地利用信息。
38.优化模型还将swin transformer组块集成到检测头head，提高网络末端的特征图分辨率。具体来说，swin transformer是一个新型的自注意力机制(self-attention mechanism)模块，可以通过逐级分解的方式增强特征图的全局视野和语义信息，并且使用窗口化的方式实现了计算效率的优化。而在yolov5s的检测头中，利用swin transformer完成两个任务：一是进行特征金字塔的构建，二是实现特征上采样的操作。特征金字塔的构建是指：利用swin transformer将底层的特征图与顶层的特征图进行逐级融合，得到一系列不同分辨率的特征金字塔。这个过程涉及到多个swin transformer模块的串联，其中每个模块负责处理其输入特征图，生成更高级别的特征表示，并输入到下一个模块中进行处理。这样做的目的是保留底层的细节信息，同时增强高层的语义信息，使得模型可以更好地对不同大小和形态的目标进行识别。特征上采样的操作是指：利用swin transformer实现特征图的上采样(也称为反卷积或转置卷积)，将低分辨率的特征图恢复到原始尺寸。这个过程同样涉及到多个swin transformer模块的串联，其中每个模块负责将输入特征图进行空间上的扩张和重构，并输出到下一个模块中进行处理。这样做的目的是避免使用传统的插值算法(如双线性插值)带来的信息损失和模糊问题，使得模型可以更准确地定位储粮害虫的位置和大小。
39.s3的具体方法包括：利用损失函数不断调节网络中的权重，再利用验证集计算平均精度，平均精度达到设定的阈值，则达标，并将达标的权重文件加载至改进yolov5s算法中。
40.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于yolov5s算法的储粮害虫检测方法，其特征在于，包括以下步骤：s1、获取储粮害虫样本图像构建样本集并进行预处理，得到储粮害虫图像数据集，将图像数据集划分为训练集和验证集；s2、基于yolov5s算法构架，通过数据增强处理和主干网络轻量化处理得到优化模型；s3、将训练集输入优化模型进行训练，得到储粮害虫检测模型；s4、获取待识别的储粮害虫图像，并且输入到训练好的储粮害虫监测模型中进行识别，得到储粮害虫的种类和位置。2.如权利要求1所述一种基于yolov5s算法的储粮害虫检测方法，其特征在于，s1中，构建样本集的具体方法包括：s11、确定多种储粮害虫为检测目标，并且随机选取多个检测目标为一组；s12、在白板背景下对一组检测目标进行拍摄得到储粮害虫样本图像；s13、对储粮害虫样本图像进行数据扩充后组合得到样本集。3.如权利要求2所述一种基于yolov5s算法的储粮害虫检测方法，其特征在于：所述数据扩充的方法包括旋转、翻转、镜像、缩放和/或平移。4.如权利要求1所述一种基于yolov5s算法的储粮害虫检测方法，其特征在于，s2中，数据增强的具体处理过程包括：将n张图片进行拼接得到一张图片作为训练样本升级为m张图片进行拼接得到一张图片作为训练样本，且m>n。5.如权利要求1所述一种基于yolov5s算法的储粮害虫检测方法，其特征在于，s2中，主干网络轻量化的具体处理过程包括：去掉全连接层和softmax层。6.如权利要求1所述一种基于yolov5s算法的储粮害虫检测方法，其特征在于：所述优化模型还在分类中引入了标签平滑。7.如权利要求1所述一种基于yolov5s算法的储粮害虫检测方法，其特征在于：所述优化模型还融合有bifpn特征金字塔结构。8.如权利要求1所述一种基于yolov5s算法的储粮害虫检测方法，其特征在于：所述优化模型还将swin transformer组块集成到检测头head。9.如权利要求1所述一种基于yolov5s算法的储粮害虫检测方法，其特征在于，s3的具体方法包括：利用损失函数不断调节网络中的权重，再利用验证集计算平均精度。10.如权利要求9所述一种基于yolov5s算法的储粮害虫检测方法，其特征在于：所述平均精度达到设定的阈值，则达标，并将达标的权重文件加载至改进yolovs5算法中。

技术总结
一种基于YOLOv5s算法的储粮害虫检测方法，包括以下步骤：S1、获取储粮害虫样本图像构建样本集并进行预处理，得到储粮害虫图像数据集，将图像数据集划分为训练集和验证集；S2、基于YOLOv5s算法构架，通过数据增强处理和主干网络轻量化处理得到优化模型；S3、将训练集输入优化模型进行训练，得到储粮害虫检测模型；S4、获取待识别的储粮害虫图像，并且输入到训练好的储粮害虫监测模型中进行识别，得到储粮害虫的种类和位置。本发明应用了深度学习中的多层卷积神经网络结构，解决目前储粮害虫检测存在的实时性低，模型结构复杂的问题。模型结构复杂的问题。模型结构复杂的问题。


技术研发人员：陈卫东 王莹 刘超 范冰冰 李宛玉
受保护的技术使用者：河南工业大学
技术研发日：2023.06.26
技术公布日：2023/9/23