[发明专利]基于改进YOLOV4算法的袋料栽培香菇检测方法

说明书

本发明公开了一种基于改进YOLOV4算法的袋料栽培香菇检测方法，包括：搭建改进YOLO v4网络，训练改进YOLO v4网络以及香菇图像检测。改进后的YOLO v4算法使用深度可分离卷积，去掉分类损失，重新构建损失函数；在PANet结构部分增加一条预测特征图传递路径，并在路径中嵌入具有残差边的注意力机制模块R_cbam，使之能够快速的在一组特征图中找到关键特征区域，并使之权值加重，用于预测。通过改进，该算法能够使检测精度得以提升而算法参数量大大降低，从而更好的为机械采摘提供视觉算法支持。

技术领域

本发明涉及机器视觉目标检测领域，特别涉及一种基于改进YOLO v4算法的袋料栽培香菇机器视觉检测方法。

背景技术

目前，关于香菇的机器视觉检测多依靠传统的数字图像知识，手动设计提取香菇的菌盖颜色，外形，厚度等特征，该方法受光照亮度因素影响较大，且对实际环境中香菇的黏连、遮挡情况识别效果较差。近几年来兴起的机器视觉目标检测为香菇的检测提供了新方法，通过搭建神经网络，对香菇图片进行监督训练，网络自动学习特征，准确率得到了提高。相比于传统的检测方法，依靠YOLO v4算法的检测，可以提取到更全的识别特征。

对于袋料栽培环境下的香菇检测识别，特别是自然生长造成相互遮挡，黏连和远距离小目标的识别检测，依靠传统的数字图像知识的检测效果并不能满足实际应用的需求。

因此，如何提高对袋料栽培环境下香菇的检测精度，并且能够提高对图像亮度多样化，香菇相互遮挡、黏连的干扰情况下的检测效果是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于改进YOLO v4算法的袋料栽培香菇机器视觉检测方法。通过对YOLO v4算法进行改进，有效解决了现有方法检测精度及图像亮度多样化等均难以满足实际应用需求的问题。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进YOLO v4算法的袋料栽培香菇机器视觉检测方法，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。

优选的，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。

优选的，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。

优选的，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(UPsam)、拼接(concat)，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。

优选的，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：