[发明专利]一种基于改进YOLOv5的串型番茄实时检测方法

权利要求书

1.一种基于改进YOLOv5的串型番茄实时检测方法，其特征在于，包括以下步骤：

步骤1，采集串型番茄图像，对串型番茄图像进行划分和标注，构建串型番茄检测数据集；

步骤2，对模型输入图像进行预处理，包括Mosaic数据增强，自适应锚框计算，自适应图片缩放处理；

步骤3，基于YOLOv5，引入注意力机制，构建串型番茄实时检测模型TomatoNet；

步骤4，对步骤3构建的串型番茄实时检测模型TomatoNet进行训练；

步骤5，对步骤4训练好的模型进行验证，使其准确率达到85％，视频每秒传输帧数达到30fps；

步骤6，采用验证后的模型TomatoNet进行串型番茄实时检测。

2.根据权利要求1所述的一种基于改进YOLOv5的串型番茄实时检测方法，其特征在于，所述步骤1中对串型番茄图像进行划分和标注的具体过程为：先将采集的串型番茄图像按照训练集：验证集＝8：2进行划分，然后使用LabelImg工具对图像数据进行框选标注，按照串型番茄成熟度将串型番茄图像数据分为成熟、半成熟和不熟三类。

3.根据权利要求1所述的一种基于改进YOLOv5的串型番茄实时检测方法其特征在于：所述步骤2中Mosaic数据增强为随机选取四张图像，采用随机缩放、随机排布、随机裁剪的方式进行拼接。

4.根据权利要求1所述的一种基于改进YOLOv5的串型番茄实时检测方法其特征在于：所述步骤2中预处理还包括对图像角度、对比度即亮度、噪声比重进行不同程度的调整。

5.根据权利要求1所述的一种基于改进YOLOv5的串型番茄实时检测方法，其特征在于，所述步骤3中番茄实时检测模型TomatoNet包括：输入端、Backbone、通道注意力模块、Neck、Prediction；其中，Backbone包括Focus、BottleNeckCSP和spp；Neck包括自顶向下传递强特征的FPN结构以及自底向上的含有两个PAN结构的特征金字塔。

6.根据权利要求1所述的一种基于改进YOLOv5的串型番茄实时检测方法，其特征在于，所述步骤4中采用训练集数据对串型番茄实时检测模型TomatoNet进行训练，具体包括以下步骤：

4.1网络Backbone的Focus先将输入复制四份并通过切片操作分为四个切片；通过Concat层将其进行拼接；再经过卷积层，提取输入的不同特征；通过batch norm层，将每次的梯度分布都控制在原点附近，实现结果归一化；最后用leaky_relu激活函数输入结果到网络Backbone的下一层卷积BottleNeckCSP；

在BottleNeckCSP卷积将输入分成两部分，一部分先进行n次BottleNeck操作，再进行卷积操作，另一部分直接进行卷积操作，然后两部分再经过Concat拼接后输出至空间金字塔池化spp；

在空间金字塔池化spp中，先进行Conv提取特征输出，再经过三个不同kernel_size的最大池化层进行下采样，将各自输出结果进行拼接融合并与其初始特征相加，最后再经过卷积Conv将输出恢复到同初始输入一致；

4.2Backbone输出的特征向量进入通道注意力模块，首先需要处理输入特征向量a，其表示如下：

a＝{a₁，a₂，...，a_L}，a_i∈R^D

式中：L表示特征向量的总数目，D表示维度空间，R表示元素分量均属于实数域；

此外需要获取t时刻的每个特征向量a_i的权重a_t，i，计算如下式所示：

l_ti＝f_att(a_i，h_t-1)

式中：l_ti是中间变量，k是特征向量的序号，f_att(.)表示多层感知机，h_t-1表示t-1时刻的状态；

得到权重之后，模型就具有筛选输入特征向量序列a的能力了，经过筛选后，得到序列为：

z_t＝φ({a_i})

其中，当注意力机制为软注意力时，φ为线性加权函数，当注意力机制为硬注意力时，表示特征向量是离散的；

4.3施加注意力后的特征信息输入模型Neck层，将特征混合组合，并传递到Prediction；

4.4在Prediction预测层，模型采用GIoU作为损失函数，通过非极大值抑制NMS来筛选目标框；

4.5通过F1值和mAP2个指标对训练结果进行评估，最终选取最后一代保存的模型权重文件作为最终的训练结果。