[发明专利]改进YOLOv5目标检测模型构建方法及用于茶嫩芽识别与采摘点定位方法

说明书

本发明公开了改进YOLOv5目标检测模型构建方法及用于茶嫩芽识别与采摘点定位方法，构建改进的YOLOv5目标检测模型，通过在Backbone模块中设计改进的CSPDarknet53结构，改进的CSPDarknet53结构是在DarkNet53网络的基础上引入了Nonlinear mapping结构，对特征图进行特征提取。此外利用改进的YOLOv5目标检测模型对图像进行预测，输出茶叶嫩芽的目标检测和采摘区域的语义分割图；基于预测结果计算采摘点；最后输出带有采摘点信息的茶叶嫩芽图像，实现对茶叶嫩芽识别与采摘点定位。

技术领域

本发明属于茶叶智能采摘及机器图像处理技术领域，尤其是改进YOLOv5目标检测模型构建方法及用于茶嫩芽识别与采摘点定位方法。

背景技术

茶树嫩芽的智能化采摘可以明显提高采茶的效率，而嫩芽的识别和采摘点的定位是实现茶叶嫩芽智能化采摘的基础。目前对茶树嫩芽的识别检测和采摘点定位的研究主要有两种方法。

一种是传统分割算法下，基于阈值法或结合颜色信息特征和边缘距离识别嫩芽，并进一步确定嫩芽质心，定为二维采摘点，此方法泛化能力较低，对于光照、拍摄角度、背景的要求较高，自然背景下对于茶叶嫩芽的精确识别与定位的效果并不理想。

另一种是基于深度学习的算法，利用目标检测算法识别定位出嫩芽，结合骨架提取法确定采摘点的二维坐标，但利用的目标检测算法基本上都是水平框，并不利于对茶叶嫩芽进行精确的识别定位，尤其是后续再进行的骨架提取确定采摘点，大大加长了任务的时间，且精确度不高。

发明内容

针对现有技术中存在的不足，本发明提出了一种改进YOLOv5目标检测模型构建方法及用于茶嫩芽识别与采摘点定位方法。

本发明所采用的技术方案如下：

一种改进的YOLOv5目标检测模型构建方法，包括如下部分：

步骤1，构建改进的YOLOv5目标检测模型结构，包括Backbone模块、Neck模块、Detect head模块和Segment head模块；

所述Backbone模块包括Focus结构和改进的CSPDarknet53结构；改进的CSPDarknet53结构是在DarkNet53网络的基础上引入了Nonlinear mapping结构，对特征图进行特征提取；改进的CSPDarknet53结构包括CBL模块、第一CSP1_X模块、第二CSP1_X模块、第一CSP_Res8模块、第二CSP_Res8模块、第一Nonlinear mapping模块、第一Nonlinearmapping模块构成；改进的CSPDarknet53结构的输入依次经过CBL模块、第一CSP1_X模块、第二CSP1_X模块，第二CSP1_X模块的输出一方面输入第一Nonlinear mapping模块得到特征图，另一方面输入第一CSP_Res8模块；CSP_Res8模块的输出一方面输入第二Nonlinearmapping模块得到特征图；另一方面输入第二CSP_Res8模块得到特征图。

Neck模块包括空间金字塔池模块SPP、3个注意力模块CBAM和特征金字塔网络FPN组成；

Detect head模块包括路径聚合网络PANet和YOLOv5目标检测头；

Segment head模块的输入是FPN的底层特征图，输出采摘区域的像素级语义分割图。

步骤2，准备训练数据集，并利用训练数据集对改进的YOLOv5目标检测模型进行训练。