[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

说明书

本发明公开了一种基于改进yolov5模型的发芽马铃薯图像识别方法，包括以下步骤：构建图像识别网络模型，获取马铃薯图片数据集，分为训练集和测试数据集；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；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；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。利用9‑Mosaic算法对获取到的马铃薯图片进入backbone前进行增强优化，强化小目标特征，调整backbone内图内卷积传递规则，使用跨图卷积CrossConv替代Conv连接两个图内卷积，增强特征相似性，提高了发芽马铃薯识别的准确度。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于改进yolov5模型的发芽马铃薯图像识别方法。

背景技术

马铃薯是世界粮食供应的核心，在100多个国家种植。作为仅次于玉米、小麦和水稻的第四大作物，马铃薯的生产是食品工业的一个主要关注点，它支持大量的研究项目。特别是对马铃薯产业的一个重要过程，马铃薯的储存进行了定期研究^[1]。中国将马铃薯作为主食的战略清楚地表明需要改进马铃薯加工，而这一战略的瓶颈在于选择合适的原料和加工马铃薯的技术和设备。事实上，马铃薯在加工期间的储存期发芽，对整个行业来说是非常致命，发芽薯含有的龙葵素仅0.2mg/g导致窒息甚至死亡^[2]，导致工业净损失和食品浪费增加。因此，自二十世纪初以来，人们对发芽马铃薯识别分级进行了大量研究。其中一些基于传统计算机视觉系统外部质量检测的研究，主要有：向静等提出的结合计算机视觉的马铃薯外部品质检测技术，解决了马铃薯表皮的损伤部位定位以及品质分级^[3]。高尚基于SVM和加权欧氏距离的发芽马铃薯检测，实现了利用传统机器学习算法在工业相机捕捉的原始图像下对发芽薯个体识别分级^[4]。吕钊钦等提出的在Gabor特征的马铃薯图像芽眼识别，在特定的图像采集场景下，通过Gabor 特征剔除马铃薯边界连通区域进行芽眼识别，对马铃薯块茎切块中的芽眼识别提供技术支持^[5]。而另一些专注于不明显质量(颜色、纹理、尺寸)评估中，则基于高光谱和多光谱成像。主要有：Gao,HL等提出的高光谱传输与反射成像技术比较研究，解决利用反射光谱和传输光谱通过子窗口排列分析(SPA)，实现随机放置的马铃薯损伤识别^[6]。Song,S低成本的超光谱成像，利用线性可变带通滤波器在在450到900nm之间表现出良好的光谱性能可用于确定马铃薯植物健康状况，准确率接近

同时随着深度学习技术的不断发展，由于其有着良好的深层特征感知能力，在农产品质量分级中得到了广泛的应用。在马铃薯芽眼识别的研究中，主要有：王飞云等提出的基于yolov3模型识别发芽马铃薯，通过原始yolov3模型，对在多光源场景下CCD相机拍摄图像进行识别，进而对发芽马铃薯进行检测识别及框选^[8]。席芮等改进Faster R-CNN的马铃薯芽眼识别方法，同样在固定的图像采集系统下采集图像数据，利用高斯降权函数对R-CNN中的NMS算法进行优化，从而以提高马铃薯芽眼的识别效果，识别精度为96.32％^[9]。上述识别方法，都是在预知的具体场景中提出，所构建的数据模型需要满足所设立的图像采集系统。前人研究提出的这些技术主要满足马铃薯某一状态或者某一个场景下利用不同检测手段实现马铃薯的品质分级，而利用计算机视觉技术在多种复合复杂的场景下对发芽马铃薯的检测分级较少涉及。