基于YOLOv5改进的麦穗检测计数方法与流程

本发明涉及深度学习和植物表型识别，尤其是一种基于yolov5改进的麦穗检测计数方法。

背景技术：

1、小麦作为中国第二大粮食作物，近1/3的人口以其为主粮。目前，小麦产量预测方法有：人工田间判断预测、电容量预测、基于遥感图像预测以及气候和供求关系分析预测等方法。其中，人工田间判断凭借经验，不仅准确率低且人力物力的消耗较大；电容量测产方法所需的成本较高且测量小麦密度不高效；遥感技术基于卫星拍摄的图片样本，由于拍摄距离远，只适合处理和分析面积大的田地，预测的准确度较低；而气候和供求关系分析预测及年景的预测方法只适合大范围的预测，其估计值较粗略，对于田间精细的产量估计和育种则不适用小麦穗的数量被用作研究小麦产量的基本信息。

2、准确监测小麦穗的数量对于种植者预测小麦收获和生长趋势是必要的。在大规模种植场景下，人工计数的准确性会随着小麦数量的增加而降低。因此，开发一种高效、自动的小麦计数方法很有必要。相比之下，对于计算复杂的背景和密集的对象分布，深度学习具有固有的优势，可以克服传统方法的一些缺点。目前，实现基于深度学习的麦穗计数算法有语义分割和目标检测计数两种方法，然而，在图像初始阶段输入到卷积神经网络中之时，由于卷积神经网络中的卷积核不会太大，所以模型只能利用局部信息理解输入图像，语义分割除了语义信息还需要细节信息，所以对于物体边缘的分割效果不理想，正常情况下小麦穗的分布很密集，存在遮挡和重叠问题，语义分割方法难以从图像中提取麦穗高级语义特征；此外，现有的基于深度学习的目标检测计数方法也无法有效解决遮挡问题，难以实现在复杂背景下对麦穗的准确检测和计数。

技术实现思路

1、为解决小麦图片中存在的遮挡、重叠以及无法准确检测和计数的缺陷，本发明的目的在于提供一种有效解决小麦图像中存在的遮挡重叠问题，提高检测精度的基于yolov5改进的麦穗检测计数方法。

2、为实现上述目的，本发明采用了以下技术方案：一种基于yolov5改进的麦穗检测计数方法，该方法包括下列顺序的步骤：

3、(1)获取小麦麦穗图像并进行预处理，得到小麦麦穗图像数据集，将小麦麦穗图像数据集按照8：1：1划分为训练集、验证集和测试集；

4、(2)构建小麦麦穗检测识别模型；

5、(3)将卷积注意力模块和加权特征融合模块加入小麦麦穗检测识别模型中，得到改进后的小麦麦穗检测识别模型；

6、(4)将训练集输入改进后的小麦麦穗检测识别模型进行训练，得到训练好的小麦麦穗检测识别模型；

7、(5)获取待识别的小麦麦穗图像，将待识别的小麦麦穗图像输入训练好的小麦麦穗检测识别模型中，得到小麦麦穗图像检测计数结果。

8、所述步骤(1)具体是指：在自然场景下用无人机拍摄麦田图片，将图片根据像素进行分割、标注、数据扩充、和数据增强，所述数据扩充是指将标注完的数据利用平移、翻转、旋转的图像变换方法对数据进行扩充；所述数据增强是指用掩膜处理对数据进行增强。

9、所述步骤(2)具体是指：小麦麦穗检测识别模型采用yolov5网络模型，yolov5网络模型由骨干网络、颈部和头部组成，所述骨干网络由focus模块、conv模块、bottleneck模块、c3模块和ssp模块组成：

10、focus模块，对图片进行切片，先将图片变为320×320×12的特征图，再经过3×3的卷积操作，输出通道32，最终变为320×320×32的特征图；

11、conv模块，对输入的特征图执行卷积、bn、激活函数操作，使用silu作为激活函数；

12、bottleneck模块，先将通道数减小再扩大，即先进行1×1卷积将通道减小一半，再通过3×3卷积将通道数加倍，并获取特征，其输入与输出的通道数不变；

13、c3模块，对残差特征进行学习的主要模块，其结构分为两支，一支由一个bottleneck模块和3个标准卷积层组成，另一支由一个基本卷积模块组成，最后将两支进行连接操作；

14、spp模块，先通过一个标准卷积模块将输入通道减半，然后分别做3次最大池化操作，三次最大池化操作的卷积核大小分别为5、9、13，对三次最大池化的结果与未进行池化操作的数据进行连接，最终合并后通道数是原来的2倍。

15、在步骤(3)中，所述卷积注意力模块包含2个独立的子模块，即通道注意力子模块和空间注意力子模块，卷积注意力模块加入到小麦麦穗检测识别模型的骨干网络的输入端，分别对输入的图像进行通道与空间上的特征提取；所述加权特征融合模块由带权重的特征融合模块组成，将加权特征融合模块加入到小麦麦穗检测识别模型的骨干网络中。

16、由上述技术方案可知，本发明的有益效果为：第一，改进的小麦麦穗检测识别模型训练结果较好，在以yolov5网络模型为基础上，针对卷积注意力模块和加权特征融合模块两个模块做了一个消融实验，并且分别记录每次训练100轮后最终的训练精度p，召回率r和平均精度map的值，通过结果比较一下可以发现卷积注意力模块对小麦麦穗检测识别模型性能的提高更加显著；第二，改进的小麦麦穗检测识别模型检测结果较好，为了进一步验证训练出的模型的检测效果，针对同一张小麦图片利用不同的改进模型进行检测，通过比较麦穗的检测准确性和返回检测框的置信度可以发现，改进的小麦麦穗检测识别模型对小麦的检测精确度明显提高；第三，根据实验训练精度和检测结果，本发明可以有效解决小麦图像中存在的遮挡重叠问题，实现麦穗的准确检测和计数。

技术特征：

1.一种基于yolov5改进的麦穗检测计数方法，其特征在于：该方法包括下列顺序的步骤：

2.根据权利要求1所述的基于yolov5改进的麦穗检测计数方法，其特征在于：所述步骤(1)具体是指：在自然场景下用无人机拍摄麦田图片，将图片根据像素进行分割、标注、数据扩充、和数据增强，所述数据扩充是指将标注完的数据利用平移、翻转、旋转的图像变换方法对数据进行扩充；所述数据增强是指用掩膜处理对数据进行增强。

3.根据权利要求1所述的基于yolov5改进的麦穗检测计数方法，其特征在于：所述步骤(2)具体是指：小麦麦穗检测识别模型采用yolov5网络模型，yolov5网络模型由骨干网络、颈部和头部组成，所述骨干网络由focus模块、conv模块、bottleneck模块、c3模块和ssp模块组成：

4.根据权利要求1所述的基于yolov5改进的麦穗检测计数方法，其特征在于：在步骤(3)中，所述卷积注意力模块包含2个独立的子模块，即通道注意力子模块和空间注意力子模块，卷积注意力模块加入到小麦麦穗检测识别模型的骨干网络的输入端，分别对输入的图像进行通道与空间上的特征提取；所述加权特征融合模块由带权重的特征融合模块组成，将加权特征融合模块加入到小麦麦穗检测识别模型的骨干网络中。

技术总结
本发明涉及一种基于YOLOv5改进的麦穗检测计数方法，包括：获取小麦麦穗图像并进行预处理，得到小麦麦穗图像数据集；构建小麦麦穗检测识别模型；将卷积注意力模块和加权特征融合模块加入小麦麦穗检测识别模型中；将训练集输入改进后的小麦麦穗检测识别模型进行训练；获取待识别的小麦麦穗图像，将待识别的小麦麦穗图像输入训练好的小麦麦穗检测识别模型中，得到小麦麦穗图像检测计数结果。本发明采用改进的小麦麦穗检测识别模型，改进的小麦麦穗检测识别模型检测结果较好，改进的小麦麦穗检测识别模型对小麦的检测精确度明显提高；根据实验训练精度和检测结果，本发明可以有效解决小麦图像中存在的遮挡重叠问题，实现麦穗的准确检测和计数。

技术研发人员：陈鹏,张波,章军,夏懿,张明年,庞春晖,王俊峰,杜健铭,王儒敬
受保护的技术使用者：中科合肥智慧农业协同创新研究院
技术研发日：
技术公布日：2024/1/12