[发明专利]一种基于改进yolov5模型的发芽马铃薯图像识别方法

权利要求书

1.一种基于改进yolov5模型的发芽马铃薯图像识别方法，其特征在于，包括以下步骤：

S1，构建基于改进yolov5模型的图像识别网络模型，所述图像识别网络模型具体包括输入层640*640的图像张量、Backbone Network、Neck Network和Detector，其中，所述输入层加入马赛克数据增强模块；所述Backbone Network是YOLOv5的核心结构，由Focus、Conv、C3和SPP模块组成；所述Neck Network中加入FPN+PAN结构；Prediction中将边界锚框的损失函数由CIOU损失改进为广义IoU损失；在目标检测后处理过程中，YOLOv5采用加权NMS运算对多个目标锚框进行筛选；

S2，获取马铃薯图片数据集，并将数据集分为训练集和测试数据集；

S3，对数据集进行预处理分析，得到数据可视化结果，基于可视化结果确定数据集进行特征融合时采用的模型；

S4，采用训练集对构建图像识别网络模型进行训练，获取图像识别网络模型的各个参数指标，得到训练后的图像识别网络模型；

S5，采用测试数据集对训练后的图像识别网络模型进行测试，对测试结果的精度进行评价；

步骤S1中构建的网络模型中，对Backbone Network中的Conv采用的改进原理为：

公式(1)中代表邻接矩阵,为的转置矩阵，转置矩阵代表图元信息的变换；图像增强操作看作是细粒度的矩阵转置；从或选取k-1层的v1，v2为特征向量通过Crossconv得到相似度的为更新的权重。

2.根据权利要求1所述的基于改进yolov5模型的发芽马铃薯图像识别方法，其特征在于，步骤S2中获取数据集的方法具体包括以下步骤：

S21,通过网络爬虫获取不同品种的马铃薯图像，按照剔除芽已经分化的马铃薯、场景较为单一的发芽马铃薯以及非马铃薯图像的规则获取数据集；数据集中包括健康马铃薯和发芽马铃薯；

S22，使用waifu2x-caffe对数据集中的图像数据按照降噪与转换模式在RGB图像模式中进行处理，保存为JPG格式；

S23，将处理好的马铃薯样本数据集分为训练集和测试集,比例为3∶1。

3.根据权利要求2所述的基于改进yolov5模型的发芽马铃薯图像识别方法，其特征在于，步骤S3中所述的不同品种的马铃薯包括但不限于荷兰薯、中薯8号、陇薯、大西洋薯、坝薯9号、豫马铃薯1号和川芋5号。

4.根据权利要求1所述的基于改进yolov5模型的发芽马铃薯图像识别方法，其特征在于，步骤S3中的基于可视化结果确定数据集进行特征融合时采用的模型检测尺度范围具体包括：80*80、40*40、20*20和4*4像素。

5.根据权利要求1所述的基于改进yolov5模型的发芽马铃薯图像识别方法，其特征在于，步骤S1中构建的网络模型中，马赛克数据增强模块的数据处理方式为：载入一张原始图片，随机选取8张图片，进行拼接组合，并使用超参数translate、scale、shear对拼接后的图像进行处理。

6.根据权利要求5所述的基于改进yolov5模型的发芽马铃薯图像识别方法，其特征在于，所述超参数通过超参数进化模型机制获得，选自下面的表格：

7.根据权利要求1所述的基于改进yolov5模型的发芽马铃薯图像识别方法，其特征在于，步骤S1中的所述Detector结构为三个Detect模块准备不同宽高的初始Anchors，采用K-means聚类算法与遗传算法匹配最佳的锚点使用层数为4层。

8.根据权利要求1所述的基于改进yolov5模型的发芽马铃薯图像识别方法，其特征在于，步骤S5中对测试结果的精度进行评价的过程具体包括：

S51，分别计算正确找到正例发芽马铃薯比例TP，错误划分负例的发芽马铃薯比例FP以及找到错误正例的发芽马铃薯比例FN；

S52，采用下列公式分别计算评价参数：

Ap＝∫₀¹P(R)D(R) (7)