[发明专利]一种基于YOLOv5s的粮仓害虫检测方法

权利要求书

1.一种基于YOLOv5s的粮仓害虫检测方法，其特征在于，包括如下步骤：

1)将粮仓害虫诱捕器置于粮仓中诱捕害虫，所述粮仓害虫诱捕器包括摄像装置、进虫孔、照明装置和存储装置4个部分；所述照明装置保持常亮用于照明，所述进虫孔用于害虫进入诱捕器的存储装置中，所述存储装置用于存放进入粮仓害虫诱捕器的害虫；所述摄像装置用于定时对存储装置中的害虫进行拍摄；

2)构建虫图集D2，划分训练集D_train和验证集D_test；

3)构建YOLOv5s网络模型，所述YOLOv5s网络模型包括主干网络、颈部网络和头部；所述主干网络包括Focus模块、SPP模块、CBS模块和CSP模块；所述颈部网络包括CBS模块、CSP模块；所述头部包括检测头；其中，所述主干网络CSP模块由支路1和支路2组成，支路1由卷积层、批量归一化和SiLU激活函数组成，支路2由卷积层、批量归一化、SiLU激活函数和n个残差单元组成；所述颈部网络CSP模块结构由支路3和支路4组成，支路3和支路4均由卷积层、批量归一化和SiLU激活函数组成；

4)修改主干网络CSP模块支路1结构，将主干网络CSP模块修改为SK卷积；

5)修改主干网络CSP模块支路2结构，在支路2中加入SE模块；

6)将所有CSP模块中残差单元的数量由n个减少为1个；

7)将CSP模块中残差单元修改为ResNeXt残差单元，方法为：将残差单元中第1层和第2层卷积替换成具有g组分组卷积的三层卷积，其中第1层卷积的卷积核大小为1，输出通道数为输入通道数的一半；第2层卷积的卷积核大小为3，输出通道数不变，是一个具有g组卷积的分组卷积；第3层卷积的卷积核为1，输出通道数为输入通道数的1倍；

8)修改YOLOv5s颈部网络的CSP模块结构，将其CSP模块结构保持与主干网络CSP模块结构一致；

9)对虫图集D2进行迁移训练,得到训练权重w；即用CIOU_Loss作为损失函数，当模型损失曲线趋近于0且无明显波动时，停止训练，得到训练权重w，否则继续训练；

10)输入图像，进行害虫检测，将获取到的害虫图像输入到训练权重为w的模型中，模型根据权重自动识别害虫的种类及数量。

2.如权利要求1所述的基于YOLOv5s的粮仓害虫检测方法，其特征在于所述步骤2)包括如下步骤：

2.1)从粮仓害虫诱捕器拍摄所得的图像中选择N张包含害虫的图像，构建数据集D1；

2.2)使用标注工具对数据集D1的中每一张图像中的害虫进行标注，制作虫图，构建虫图集D2；

2.3)按m:e比例将虫图集D2划分为训练集D_train和验证集D_test。