[发明专利]基于改进YOLOV4算法的袋料栽培香菇检测方法

权利要求书

1.一种基于改进YOLOV4算法的袋料栽培香菇检测方法，其特征在于，包括如下步骤：

S1、搭建改进YOLO v4网络：包括主干网络部分，SPP结构部分，PANet结构部分以及YOLO_three_head预测部分，在PANet结构部分增加一条预测特征图传递路径，所述预测特征图传递路径起始连接于主干网络，并与PANet结构中的特征图拼接融合，路径中嵌入具有残差边的注意力机制模块R_cbam；

S2、训练改进YOLO v4网络：将由袋料栽培环境下拍摄的香菇图片及其香菇位置标注信息制作的训练集输入至搭建的改进YOLO v4网络进行权重参数训练，得到训练后的YOLO v4网络参数；

S3、香菇图像检测：载入训练后的参数并将香菇彩色图输入至训练后的YOLO v4网络，得到最终特征图，并生成检测框，自动定位香菇在图像中位置。

2.根据权利要求1所述的一种基于改进YOLOV4算法的袋料栽培香菇检测方法，其特征在于，在SPP结构部分、PANet结构部分和YOLO_three_head预测部分中，使用深度可分离卷积。

3.根据权利要求1所述的一种基于改进YOLOV4算法的袋料栽培香菇检测方法，其特征在于，所述预测特征图传递路径起始于主干网络的第1个CSP-8结构处，第1个CSP-8结构处特征图尺寸为下一个CSP-8结构处的2倍。

4.根据权利要求1所述的一种基于改进YOLOV4算法的袋料栽培香菇检测方法，其特征在于，在所述预测特征图传递路径中2个输入端和1个输出端处加入具有残差边的注意力机制模块R_cbam，所述第1个输入端接收经过主干网络第1个CSP-8后产生的特征图；所述第2个输入端接收在原算法的PANet中经过上采样、拼接，至DBL层后产生的最大尺寸特征图；所述输出端与第2个输入端的特征图拼接融合，融入PANet中。

5.根据权利要求1所述的一种基于改进YOLOV4算法的袋料栽培香菇检测方法，其特征在于，所述残差边注意力机制模块R_cbam包括Res_cam和Res_sam两个子部分，两个子模块串联，使特征图依次连续通过，且每个子模块输出的特征图维度与输入时的维度相同；

Res_cam每部实现过程为：

S111、对于Res_cam模块的起始特征图分别经过最大池化层和平均池化层进行降维，得到两组特征图一，维度均为c×1×1；

S112、将所述两组特征图分别经过权值共享网络，输出得到的两组特征图二，维度为c×1×1，将得到的两组特征图二相加得到维度为c×1×1的特征图，然后将得到的维度为c×1×1的特征图与Res_cam模块的起始特征图相乘得到维度为c×w×h的特征图；

S113、最后将Res_cam模块的起始特征图经过残差边与S112步骤得到的特征图相加；

Res_sam每部实现过程为：

S121、对于Res_sam模块的起始特征图分别经过最大池化层和平均池化层进行降维，得到两组特征图，维度均为1×w×h，而后进行拼接，得到维度为2×w×h的特征图；

S122、拼接后的特征图经过卷积降维层，将维度为2×w×h的特征图降维，得到维度为1×w×h的特征图，之后进行sigmoid函数激活，并与Res_sam模块的起始特征图相乘得到维度为c×w×h的特征图；

S123、最后将Res_sam模块的起始特征图经过残差边与S122步骤得到的特征图相加。

6.根据权利要求1所述的一种基于改进YOLOV4算法的袋料栽培香菇检测方法，其特征在于，其总的损失函数为：

Loss_object＝c₁·loss_predict+c₂·loss_conf

其中，loss_conf为置信度损失，loss_predict为预测框位置回归损失，C₁、C₂为两者的平衡系数。

7.根据权利要求1所述的一种基于改进YOLOV4算法的袋料栽培香菇检测方法，其特征在于，将香菇图片进行gamma_two变换，将变换前后的香菇图片作为所述香菇图片训练集。