[发明专利]基于改进YOLO模型的粮仓通风特征信息检测方法及系统

权利要求书

1.一种基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，包括以下步骤：

S1.采集一个待测粮仓内的多个采集点的图像并进行图像预处理，以此得到原始数据集；

S2.将所述原始数据集中的图像分类并按照一个预设比例划分为训练集、测试集和验证集；

S3.基于神经网络构建YOLO模型；

其中，所述YOLO模型是目标检测模型，用于识别与多个采集点相对应的多个相关的特征信息；所述特征信息为粮食品种、粮面是否平整、粮面是否有压盖物、仓窗密封状态或风机转动状态；所述神经网络包括卷积层、归一化层、激活函数和下采样层；

S4.对所述YOLO模型进行改进，得到改进YOLO模型；

其中，所述YOLO模型的改进方法至少包括以下过程：

S41.按照采集点目标类型为所述YOLO模型规划逐帧识别通道和跳帧识别通道；

S42.使用MobileNetV3改进所述YOLO模型的网络结构；

S43.采用Distance-IoU作为所述YOLO模型的边界损失函数；

S44.引入权重系数改进所述YOLO模型的特征融合方式；

S5.利用所述训练集训练相应的所述改进YOLO模型，再根据所述测试集评估所述改进YOLO模型的性能，并利用所述验证集调整所述改进YOLO模型的参数及选择特征，对所述改进YOLO模型进行优化；

S6.实时监测所述待测粮仓内的多个采集点的状态，并将实时采集的各个图像分别输入至优化后的所述改进YOLO模型中，进而识别出所述待测粮仓的多个特征信息。

2.根据权利要求1所述的基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，S1中，对所述图像的预处理具体包括以下过程：

分别对一幅原始图像进行灰度处理和中值滤波处理。

3.根据权利要求2所述的基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，所述灰度处理过程中，灰度线性变化函数的表达式为：

式中，f(x,y)和g(x,y)分别为原始图像和灰度处理后的图像中(x,y)坐标的像素值；[a,b]为变换前f(x,y)的灰度范围；[c,d]为变换后g(x,y)的灰度范围；

所述中值滤波处理的表达式为：

z(x,y)＝med{h(x-k,y-l),(k,l∈W)}

式中，h(x,y)和z(x,y)分别为原始图像和中值滤波处理后的图像中(x,y)坐标的像素值；W为二维模板；k、l表示分别表示x、y坐标的移动值。

4.根据权利要求1所述的基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，S2中，训练集、测试集和验证集的预设比例为6:2:2。

5.根据权利要求1所述的基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，按照所述特征信息的目标类型将待检测的图像由逐帧识别通道或跳帧识别通道输入至所述改进YOLO模型；

其中，所述目标类型为粮食、仓窗或风机；其中，当所述采集点的目标类型为粮食时，则将待检测的图像由跳帧识别通道输入至所述改进YOLO模型；当所述采集点的目标类型为仓窗或风机时，则将待检测的图像由逐帧识别通道输入至所述改进YOLO模型。

6.根据权利要求1所述的基于改进YOLO模型的粮仓通风特征信息检测方法，其特征在于，采用批归一化的方法对神经网络中间层的输出进行标准化处理，具体计算过程如下：

1)采用如下公式计算mini-batch内样本的均值μ_B：

式中，x_i表示mini-batch中第i个样本；i＝1,2,3…m；m表示样本总数量；

2)采用如下公式计算mini-batch内样本的方差

3)经如下公式的两次计算，得到标准化之后的输出y_i：

式中，ε为一个用于防止分母为0的微小值；表示一个输出中间值；λ和β均为可学习参数，二者的初始值为λ＝1，β＝0。