[发明专利]一种基于NSGA-II剪枝的YOLOv5l青椒智能检测方法

权利要求书

1.一种基于NSGA-II剪枝的YOLOv5l青椒智能检测方法，其特征在于，包括以下步骤：

S1、采集大田青椒图像数据；

S2、使用LabelIMG标记图像中青椒果实；

S3、制作青椒数据集，并划分训练集与测试集；

S4、采用基于NSGA-II的修剪YOLOv5l模型方法获得青椒检测模型；

S5、在田间检测NSGA-II的修剪YOLOv5l青椒检测模型可靠性与准确性，并进行评估；

S6、若满足设定的可靠性与准确性要求进行下一步；若不满足设定的可靠性与准确性要求，重新进行步骤S1，增加青椒图像数量与修改网络；

S7、部署到青椒表型监测、青椒机器人采摘生产应用场景。

2.根据权利要求1所述的一种基于NSGA-II剪枝的YOLOv5l青椒智能检测方法，其特征在于：所述步骤S4中，基于NSGA-II的修剪YOLOv5l模型方法获得青椒检测模型，主要包括以下步骤：

1)训练基础YOLOv5l青椒检测模型，通过使用辣椒数据集训练YOLOv5l模型，获得YOLOv5l青椒检测模型；

2)基于NSGA-II的模型修剪策略寻优；

3)由模型修剪比例向量r_p，对YOLOv5l青椒检测模型修剪，获得修剪模型；

4)微调训练模型，基本恢复模型精度。

3.根据权利要求2所述的一种基于NSGA-II剪枝的YOLOv5l青椒智能检测方法，其特征在于：所述步骤2)中，基于NSGA-II的模型修剪策略寻优方法，主要包括以下步骤：

a、描述修剪模型的多目标优化问题，包括修剪模型的优化目标、决策变量与约束条件；

b、采用NSGA-II算法求解上述修剪模型的多目标优化问题，获得Pareto解集Y以及决策变量解集Vars；

c、Pareto解的选择与确定修剪比例向量r_p。

4.根据权利要求3所述的一种基于NSGA-II剪枝的YOLOv5l青椒智能检测方法，其特征在于：所述修剪模型的mAP^0.5与GFlops作为优化目标，模型卷积层的卷积通道数量的修剪比例作为决策变量，具体如下：

Optimization objectives：

Decision variables：

Constraint condition：x_i∈[0.1,1]，i＝1,2,…n

式中，M_pruned是修剪模型；X是模型卷积通道的修剪比例向量；x_i是第i个卷积通道的修剪比例变量，i＝1,2,...,n；GFlops是修剪模型的Giga Floating-point Operations PerSecond；n是修剪卷积通道的总数。

5.根据权利要求3所述的一种基于NSGA-II剪枝的YOLOv5l青椒智能检测方法，其特征在于：通过计算所述Pareto解集到参考基点Pb的欧式距离D，并求解数组D中的最小元素，找到实现修剪后模型在mAP^0.5与GFlops达到均衡状态下的Pareto解的行索引值ind_row，通过行索引值ind_row从决策变量解集Vars中获得模型修剪比例向量r_p，方程如下：

P_b＝[max(Y_n[:,0]),min(Y_n[:,1])]

D＝[d₁,d₂,…,d_n]

ind_row＝argmin(D)

r_p＝Var[ind_row,:]

式中，Y_n是Y的归一化后的结果，P_b是参考基点，m是Pareto解集Y中解的个数。