[发明专利]一种基于NSGA-II剪枝的YOLOv5l青椒智能检测方法

说明书

本发明公开了一种基于NSGA‑II剪枝的YOLOv5l青椒智能检测方法，包括采集大田青椒图像数据；使用LabelIMG标记图像中青椒果实；制作青椒数据集，并划分训练集与测试集；采用基于NSGA‑II的修剪YOLOv5l模型方法获得青椒检测模型；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；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，重新进行上述步骤，并增加青椒图像数量与修改网络；部署到青椒表型监测、青椒机器人采摘生产应用场景，使得青椒检测模型的参数量、模型大小与GFlops大幅度降低；同时检测速度获得了显著的提升。

技术领域

本发明涉及目标识别技术及智慧农业技术领域，具体为一种基于NSGA-II剪枝的YOLOv5l青椒智能检测方法。

背景技术

随着智慧农业与深度学习的快速发展，青椒果实检测识别及其机器人采摘已经成为研究热点。青椒果实的精准检测识别对机器人采摘与农田自动化管理有着重要推进意义。

由于大田种植的青椒植株上青椒数量多且分布交错密集，其青椒颜色与植株的茎叶的颜色相近，导致检测青椒难度大。青椒检测与定位对于大田中机器人采摘青椒的前提，其技术发展可以加速机器人自动化采摘青椒的技术的大规模推广使用，减少劳动力短缺与劳动者长期劳动的风险问题。

非支配遗传算法，即Non-dominated Sorting Genetic Algorithms，NSGA；NSGA算法是以遗传算法为基础并基于Pareto最优概念得到的。NSGA算法与基本遗传算法的主要区别是其在进行选择操作之前对个体进行了快速非支配排序，增大了优秀个体被保留的概率。而NSGA-II算法则是在优化效果、运算时间等方面，相比于NSGA算法有了一定的改进，是一种优秀的多目标优化算法。

YOLO，即You Only Look Once系列是非常经典的目标检测算法，可以完成多尺度、多目标的检测任务，并且相比于两阶段的检测方法更加的高效,而YOLOv5l是一个在COCO数据集上预训练的物体检测架构和模型系列。

为了实现青椒的智能检测，现有融合多尺度检测、自适应特征融合和注意力机制来改进的Yolov4_tiny网络可以检测温室种植环境下的青椒。由于大田环境下的背景复杂以及青椒果实的分布交错密集，改进的Yolov4_tiny网络对大田条件下青椒检测精度不高且检测模型权重仍然较大，因此检测精度仍然需进一步提高，降低模型权重与计算量，以满足大田青椒表型监测与青椒机器人采摘的需求。

发明内容

本发明提供一种基于NSGA-II剪枝的YOLOv5l青椒智能检测方法，解决了现有青椒检测模型体积大、计算量高与检测精度不高的问题。

为实现上述目的，本发明提供如下技术方案：一种基于NSGA-II剪枝的YOLOv5l青椒智能检测方法，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，并按照8:2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。

优选的，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：