[发明专利]一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法及处理终端

权利要求书

1.一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法，其特征在于，所述方法包括：

获取荔枝树晚秋梢的遥感图像；

建立改进型YOLOv5网络模型，所述建立改进型YOLOv5网络模型具体包括:通过现有的遥感图像数据集对YOLOv5的四种网络(s、m、l、x)进行训练，选择最优网络；在最优网络上添加针对小目标设计的预选框和检测层，在Neck部添加CBAM注意力机制，使用Swin-Transformer替换Neck部的BottleneckCSP层，使用BIFPN替换FPN特征融合金字塔和使用CIOU替换GIOU作为计算边界框回归的损失函数；

通过改进型YOLOV5网络模型获取遥感图像中荔枝树晚秋梢的检测结果。

2.根据权利要求1所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法，其特征在于，所述通过现有的遥感图像数据集对YOLOV5的四种网络(s、m、l、x)进行训练，选择最优网络，包括：

通过现有的遥感图像数据集对YOLOV5的四种网络(s、m、l、x)进行训练，对比检测精度与检测速度和模型大小选择s作为改进的基础网络，在s的基础上对网络进行添加和替换的改进措施。

3.根据权利要求2所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法，其特征在于，所述对比检测精度与检测速度和模型大小选择s作为改进的基础网络，具体包括：使用检测精度(AP)、模型大小和检测速度(每秒检测的图像数FPS)进行模型评估，查准率(P)是指对于所有预测为阳性的样本，有多大比率是真阳性，召回率(R)是指对于所有阳性样本，有多大比率被正确预测为阳性，对于AP是指PR(精密召回)曲线的面积，具体计算公式见公式：

TP:正确的阳性，说明预测是阳性，而且预测对了，那么实际也是正例；

TN:正确的阴性，说明预测是阴性，而且预测对了，那么实际也是负例，

FP:假阳性，说明预测是阳性，预测错了，所以实际是负例，

FN:假阴性，说明预测是阴性，预测错了，所以实际是正例。

4.根据权利要求1所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法，其特征在于，所述在最优网络上添加针对小目标设计的预选框和检测层，具体包括：

在YOLOv5s的Head部增加新的锚点检测框[5,6，8,14,15,11]和一个新的检测层。

5.根据权利要求1所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法，其特征在于，所述在Neck部添加CBAM注意力机制，具体包括：

给定一个中间特征图F∈R^C*H*W作为输入，CBAM的运算过程总体分为两部分，对输入按通道进行全局最大值池化和均值池化，将池化后的两个一维向量送入全连接层运算后相加，生成一维通道注意力M_C∈R^C*1*1，再将通道注意力与输入元素相乘，获得通道注意力调整后的特征图F'；

将调整后的特征图F'按空间进行全局最大值池化和均值池化，将池化生成的两个二维向量拼接后进行卷积操作，最终生成二维空间注意力M_S∈R^1*H*W，再将空间注意力与F'按元素相乘，CBAM生成注意力过程可描述为：

F’＝M_C(F)o×F，F”＝M_S(F’)o×F’。