[发明专利]一种基于改进型YOLO v5模型的大豆植株表型数据统计方法

权利要求书

1.一种基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，包括如下步骤：

获得目标大豆植株的采样图片；

通过基于指定训练方法训练完成的识别模型对所述采样图片进行识别；

统计并保存所述识别模型输出的关于所述大豆植株的表型特征；

其中，所述识别模型为基于指定改进方法进行改进的改进型YOLO v5模型。

2.根据权利要求1所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述指定训练方法包括：

针对大豆植株获取训练样本集；

增强扩充所述训练样本集后得到训练数据集；

将所述训练数据集随机划分为训练集、验证集和测试集三个部分。

3.根据权利要求2所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述针对大豆植株获取训练样本集的方法包括：

选取不同时间段、不同天气情况、不同角度对所述大豆植株进行拍摄后得到拍摄图像；

对所有所述拍摄图像进行标注后进行得到所述训练样本集，所述标注包括多种类别标签。

4.根据权利要求3所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述增强扩充所述训练样本集后得到训练数据集的方法包括：

对所述训练样本集中的每个所述拍摄图像进行数据增强；

对读取的4张图像通过色域变化、裁剪、缩放、随机排布等操作进行标定框的组合和图片的组合拼接，得到训练数据集。

5.根据权利要求2所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述指定训练方法还包括：

设置初始超参数，改进型YOLO v5模型的训练尺寸为640×640、批量大小为16、类别数为5、初始学习率、1e-2、迭代次数为100；

将所述训练集和所述验证集输入所述改进型YOLO v5模型进行训练；

根据训练验证损失率变化曲线，当loss随着迭代次数的增加而趋于平稳时，确定最终的学习率和迭代次数。

6.根据权利要求1所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述指定改进方法包括：

采用MobileNetv2来替换YOLO v5的主干特征提取网络Backbone；

所述MobileNetv2结构包括：

针对改进型YOLO v5模型的主干特征提取部分，利用1×1卷积进行升维；

利用3×3深度可分离卷积进行特征提取后，利用1×1卷积降维；

残差边部分输入和输出直接相连；

使用线性瓶颈操作，将特征投影到低维特征的表示；

采用MobileNetv2来替换YOLO v5的主干特征提取网络Backbone。

7.根据权利要求6所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述指定改进方法包括：

引入入ECANet注意力机制；

所述ECANet注意力机制的结构包括：

通过全局平均池化获得每一个通道的全局特征，输出维度为C×1×1的全局特征；

使用一维卷积获取局部通道之间的关系；

使用Sigmoid激活函数输出维度为C×1×1的新权值；

通过新权值和输入特征图乘积运算完成对通道特征权值的重分配，抑制无效特征，增强有效特征。

8.根据权利要求7所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述引入ECANet注意力机制主要步骤包括：

将ECANet注意力机制放置在加强特征提取网络上，在主干网络提取出来的三个有效特征层上增加了注意力机制；

对FPN中上采样结果增加ECANet注意力机制，来减少信息丢失、优化每层上的整合特征。

9.根据权利要求1所述的基于改进型YOLO v5模型的大豆植株表型数据统计方法，其特征在于，所述指定改进方法包括：

改进损失函数：

用CIOU_Loss取代GIOU_Loss；

用DIOU_NMS取代经典的NMS。