CN113240001B - 一种棉花花药开裂状态识别方法及系统 - Google Patents

一种棉花花药开裂状态识别方法及系统 Download PDF

Info

Publication number
CN113240001B
CN113240001B CN202110509530.9A CN202110509530A CN113240001B CN 113240001 B CN113240001 B CN 113240001B CN 202110509530 A CN202110509530 A CN 202110509530A CN 113240001 B CN113240001 B CN 113240001B
Authority
CN
China
Prior art keywords
training
model
deep learning
cotton
learning network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110509530.9A
Other languages
English (en)
Other versions
CN113240001A (zh
Inventor
闵玲
谭志昊
吕荣杰
施家伟
杨万能
张献龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN202110509530.9A priority Critical patent/CN113240001B/zh
Publication of CN113240001A publication Critical patent/CN113240001A/zh
Application granted granted Critical
Publication of CN113240001B publication Critical patent/CN113240001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种棉花花药开裂状态识别方法及系统。该方法包括：以黑色幕布为拍摄背景，采集棉花花药RGB图像；获取所述棉花花药RGB图像的标签，构建训练集、测试集和验证集；获取改进后的YOLOv5深度学习网络；通过所述训练集对改进后的YOLOv5深度学习网络进行训练；通过训练后的YOLOv5深度学习网络对棉花花药开裂状态进行识别。本发明采用改进后的YOLOv5深度学习网络能够提高识别精度和速度，并且改进后的YOLOv5深度学习网络模型轻量化，可以植入到可嵌入式系统和移动设备中。

Description

一种棉花花药开裂状态识别方法及系统
技术领域
本发明涉及农作物状态监测技术领域，特别是涉及一种棉花花药开裂状态识别方法及系统。
背景技术
棉花是世界上最重要的经济作物之一。棉花雄性生殖器官花药是决定棉花产量的关键因子，花药着生数量和开裂与否，直接决定了棉花受精概率的大小，显而易见花药着生数量越多，开裂数目越多，棉花在自然状态下受精概率也越大。
过去人们对棉花花药的表型数据获取主要依赖人工观察的方法进行主观判断，数据结果的可靠性主要取决于科学家的经验水平。而且棉花花药之间重叠遮挡严重且互为前景背景，导致各个花药界限不清淅。当通过人工观察的方式获取花药的总数及开裂个数，会因花药生长相互错杂，背景和前景极易混淆在一起，导致人工读数准确率难以保证，而且如果仅有少量的花药数据不能说明群体的表型特征，要判断一个群体的花药生长及开裂状况需要大量的数据支撑，人工的方式显然很难准确快速地实现这一目的。
随着计算机视觉技术和植物表型组平台的发展，基于机器学习的图像处理技术被广泛应用。在深度学习出现之前，通常的机器目标识别检测过程是在目标检测之前需要人为的对图像进行包括图像剪裁、图像增强、图像分割等预处理，将图像的各种特征提取出来后，交由SVM分类器进行学习和检测。但由于前期人工预处理耗时耗力，并且在提取到特征后还要根据实际情况进行特征筛选和评优，人为调试各种特征在学习模型中的权重以求达到最佳的识别效果。在如今智能化的时代背景下，传统的机器学习的弊端十分明显。由于分类器泛化能力较差，且需要大量的数据支撑，在农业智能化发展的过程中，机器学习方法的不足也渐渐显示出来。
发明内容
本发明的目的是提供一种棉花花药开裂状态识别方法及系统，以提高棉花花药开裂状态识别的精度和速度。
为实现上述目的，本发明提供了如下方案：
一种棉花花药开裂状态识别方法，包括：
以黑色幕布为拍摄背景，采集棉花花药RGB图像；
获取所述棉花花药RGB图像的标签，构建训练集、测试集和验证集；
获取改进后的YOLOv5深度学习网络；
通过所述训练集对改进后的YOLOv5深度学习网络进行训练；
通过训练后的YOLOv5深度学习网络对棉花花药开裂状态进行识别。
进一步地，在采集棉花花药RGB图像之前，还包括：
对棉花花朵进行预处理，将棉花花瓣剥离，对花药进行固定。
进一步地，改进后的YOLOv5深度学习网络包括输入端、backbone端、head端和输出端；所述backbone端的权重文件为mobilenetv2；
所述backbone端用于对输入的图像进行特征提取；
所述head端用于对所述backbone端提取的特征图进行采样及融合。
进一步地，所述通过所述训练集对改进后的YOLOv5深度学习网络进行训练，具体包括：
将所述训练集输入至改进后的YOLOv5深度学习网络；
判断改进后的YOLOv5深度学习网络的输出结果的误差是否在预设范围内；
若否，则调整改进后的YOLOv5深度学习网络的样本数、衰减系数、动量因子以及学习率。
进一步地，还包括：
通过所述测试集和所述验证集对训练后的YOLOv5深度学习网络进行测试和验证。
本发明还提供了一种棉花花药开裂状态识别系统，包括：
图像采集模块，用于以黑色幕布为拍摄背景，采集棉花花药RGB图像；
构建模块，用于获取所述棉花花药RGB图像的标签，构建训练集、测试集和验证集；
模型获取模块，用于获取改进后的YOLOv5深度学习网络；
训练模块，用于通过所述训练集对改进后的YOLOv5深度学习网络进行训练；
识别模块，用于通过训练后的YOLOv5深度学习网络对棉花花药开裂状态进行识别。
进一步地，还包括：
预处理模块，用于对棉花花朵进行预处理，将棉花花瓣剥离，对花药进行固定。
进一步地，改进后的YOLOv5深度学习网络包括输入端、backbone端、head端和输出端；所述backbone端的权重文件为mobilenetv2；所述backbone端用于对输入的图像进行特征提取；所述head端用于对所述backbone端提取的特征图进行采样及融合。
进一步地，所述训练模块具体包括：
输入单元，用于将所述训练集输入至改进后的YOLOv5深度学习网络；
判断单元，用于判断改进后的YOLOv5深度学习网络的输出结果的误差是否在预设范围内；
调整单元，用于当输出结果的误差不在预设范围内时，调整改进后的YOLOv5深度学习网络的样本数、衰减系数、动量因子以及学习率。
进一步地，还包括：
测试和验证模块，用于通过所述测试集和所述验证集对训练后的YOLOv5深度学习网络进行测试和验证。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种棉花花药开裂状态识别方法，包括：以黑色幕布为拍摄背景，采集棉花花药RGB图像；获取所述棉花花药RGB图像的标签，构建训练集、测试集和验证集；获取改进后的YOLOv5深度学习网络；通过所述训练集对改进后的YOLOv5深度学习网络进行训练；通过训练后的YOLOv5深度学习网络对棉花花药开裂状态进行识别。本发明采用改进后的YOLOv5深度学习网络能够提高识别精度和速度，并且改进后的YOLOv5深度学习网络模型轻量化，可以植入到可嵌入式系统和移动设备中。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例棉花花药开裂状态识别方法的流程图；
图2为本发明实施例棉花花药近景图；
图3为本发明实施例棉花花药远景图；
图4为本发明实施例模型评价指标图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种棉花花药开裂状态识别方法及系统，以提高棉花花药开裂状态识别的精度和速度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明公开的一种棉花花药开裂状态识别方法包括以下步骤：
步骤101：以黑色幕布为拍摄背景，采集棉花花药RGB图像。
使用Canon70d高清数码相机获取图片集，为防止背景对后续机器识别效果产生负面干扰，本发明以黑色幕布为拍摄背景。
在实际拍摄过程中发现棉花花药被棉花花瓣围绕，生长在花柱根部的花药无法被摄像头捕捉，如果直接拍摄不利于准确收集花药数据，所以获取棉花花药之前需要对棉花花朵进行预处理，将棉花花瓣剥离，固定花药一面，为防止训练数据不足导致训练模型过拟合，故拍摄同一个花药远景近景不同的影像，如图2、图3所示。最终，共采集64445张高清棉花花药RGB图像。
步骤102：获取所述棉花花药RGB图像的标签，构建训练集、测试集和验证集。
图片标注。本发明研究目的是区分开裂与不开裂花药，在形态上开裂花药因为花粉释放出来后附着在花药边缘会比较粗糙有颗粒感，而未开裂花药因无花粉释放故其边缘比较光滑。使用Lambelimg图像标注软件对步骤101获取的棉花花药图片进行标注。每个肉眼可见的棉花花药像素边缘都在标注框内，将每个花药的最小外接框作为正确值，以减少各个花药背景对模型训练的影响，并分别标注标签为“open”和“close”，区分开裂与不开裂的花药，获得棉花花药标注文件(yaml格式)。将yaml格式的标注文件内的坐标信息通过代码批量转化为YOLOv5可以识别的txt格式文件。
将拍摄的棉花花药图片与制作的棉花花药标注txt文件名称一一对应，通过代码按照8：1：1的比例将带标签的图像随机分为训练集，测试集和验证集。
步骤103：获取改进后的YOLOv5深度学习网络。
YOLOv5深度学习网络共有四个部分组成，分别是输入端，backbone端，head端，输出端。图像输入网络进入backbone端，该模块共由Focus、CSP、SSP九层结构组成，主要是对图像进行特征提取；第十层网络到第18层网络构成head端，主要对特征图进行上采样和下采样，同时进行特征融合；输出端由第十九层和二十层构成通过非极大值抑制算法确定最终的标准框。在本发明中修改了部分网络结构，在网络结构第十七层后，将原本的网络结构修改为继续进行上采样操作，使特征图继续扩大；同时在第20层时，将获取到的大小为160X160的特征图与骨干网络中第2层特征图融合(concat)，以此获取更大的特征图进行小目标检测。在检测时，增加小目标检测层，一共使用四层结构进行检测。增加检测层后，计算量增加，导致推理检测速度降低，不过对于小目标有很好的改善。并且将所述backbone端的权重文件修改为mobilenetv2，由于使用了轻型网络结构mobilenetv2，推理速度下降并不严重。
步骤104：通过所述训练集对改进后的YOLOv5深度学习网络进行训练。具体的：将所述训练集输入至改进后的YOLOv5深度学习网络；判断改进后的YOLOv5深度学习网络的输出结果的误差是否在预设范围内；若否，则调整改进后的YOLOv5深度学习网络的样本数、衰减系数、动量因子以及学习率。
将训练类别“open”和“close”以及标签分类数加入训练权重文件。将训练集送入改进后的YOLOv5深度学习模型进行训练。为了提高模型对小目标的检测精度和检测速度，在模型权重文件中修改backbone为mobilenetv2。在模型训练阶段，原始模型为YOLOv5s权重文件，每次迭代的样本数设为64，衰减系数为0.0005，动量因子设置为0.9，初始学习率为0.001。当模型迭代达到1150次时，在测试集上的准确率达到91％，召回率达到0.96且开始趋于平缓(图4:A、B)。接下来以迭代1150次得到的最佳模型作为原始模型重新开始训练，每次迭代的样本数为64，衰减系数为0.0005，动量因子设置为0.9，学习率为0.001，当模型迭代1200次，总迭代次数达到2350次时，模型准确率达到93.7％，此时召回率为0.99且趋于平缓(图4:C、D)。为了获得更高的识别准确度，以上次训练得到的最佳模型作为原始模型，每次迭代的样本数为64，衰减系数为0.0005，动量因子设置为0.9，初始学习率为0.001继续进行训练，当模型迭代2250次后，模型准确率下降为93.1％，召回率为0.98，考虑应是相同数据集的迭代次数过多，产生过拟合。为了进一步提高准确率，解决过拟合现象，考虑以总迭代次数为2250次时得到的best模型作为蓝本，更换一半数据集，学习率设为0.0001，其他数值不变，继续训练2250次，得到模型准确率为94.1％，召回率为0.99，平均精度为0.81，模型适度拟合，准确率较高(如图4:E、F)，可以作为检测花药开裂状况的工具系统使用。
经过训练后会得到在训练过程中表现最好的权重文件，以及最后一次训练中得到的权重文件，本发明经过比较准确率，召回率等模型评价指标，最终选择将best.pt作为自动识别棉花花药开裂状态系统的权重文件。将该文件关联到检测模型见中，模型会以该权重作为分类识别的标准。
步骤105：通过训练后的YOLOv5深度学习网络对棉花花药开裂状态进行识别。
此外，本发明还包括：通过所述测试集和所述验证集对训练后的YOLOv5深度学习网络进行测试和验证。
本发明具备以下优点：
(1)识别精度高。测试结果表明，在测试集中该模型map为0.81，准确率为94.1％，召回率为0.99。在光源充足无遮挡的黑色背景的测试数据集中，开裂类花药的识别准确率93％，不开裂类花药识别准确率为97％，为判断棉花花药生长状况和遗传育种提供了良好的技术支持。
(2)识别速度快。该方法在兼顾检测准确率的同时保证了极快的推理速度，检测速度可以达到140FPS。
(3)模型轻量化。模型大小仅为13.7Mb，可以植入到可嵌入式系统和移动设备中。
本发明还提供了一种棉花花药开裂状态识别系统，包括：
图像采集模块，用于以黑色幕布为拍摄背景，采集棉花花药RGB图像；
构建模块，用于获取所述棉花花药RGB图像的标签，构建训练集、测试集和验证集；
模型获取模块，用于获取改进后的YOLOv5深度学习网络；
训练模块，用于通过所述训练集对改进后的YOLOv5深度学习网络进行训练；
识别模块，用于通过训练后的YOLOv5深度学习网络对棉花花药开裂状态进行识别。
还包括：
预处理模块，用于对棉花花朵进行预处理，将棉花花瓣剥离，对花药进行固定。
测试和验证模块，用于通过所述测试集和所述验证集对训练后的YOLOv5深度学习网络进行测试和验证。
其中，所述训练模块具体包括：
输入单元，用于将所述训练集输入至改进后的YOLOv5深度学习网络；
判断单元，用于判断改进后的YOLOv5深度学习网络的输出结果的误差是否在预设范围内；
调整单元，用于当输出结果的误差不在预设范围内时，调整改进后的YOLOv5深度学习网络的样本数、衰减系数、动量因子以及学习率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种棉花花药开裂状态识别方法，其特征在于，包括：
以黑色幕布为拍摄背景，采集棉花花药RGB图像；
获取所述棉花花药RGB图像的标签，构建训练集、测试集和验证集；
获取改进后的YOLOv5深度学习网络；
通过所述训练集对改进后的YOLOv5深度学习网络进行训练；在YOLOv5深度学习网络结构第十七层后，将原本的网络结构修改为继续进行上采样操作，使特征图继续扩大；同时在第20层时，将获取到的特征图与骨干网络中第2层特征图融合，以此获取更大的特征图进行小目标检测，在检测时，增加小目标检测层，一共使用四层结构进行检测；经过训练后会得到在训练过程中表现最好的权重文件，以及最后一次训练中得到的权重文件，经过比较模型评价指标，最终选择将best.pt作为权重文件；
所述通过所述训练集对改进后的YOLOv5深度学习网络进行训练，具体包括：在模型训练阶段，原始模型为YOLOv5s权重文件，每次迭代的样本数设为64，衰减系数为0.0005，动量因子设置为0.9，初始学习率为0.001；当模型迭代达到1150次时，在测试集上的准确率达到91％，召回率达到0.96且开始趋于平缓；
接下来以迭代1150次得到的最佳模型作为原始模型重新开始训练，每次迭代的样本数为64，衰减系数为0.0005，动量因子设置为0.9，学习率为0.001，当模型迭代1200次，总迭代次数达到2350次时，模型准确率达到93.7％，此时召回率为0.99且趋于平缓；
为了获得更高的识别准确度，以上次训练得到的最佳模型作为原始模型，每次迭代的样本数为64，衰减系数为0.0005，动量因子设置为0.9，初始学习率为0.001继续进行训练，当模型迭代2250次后，模型准确率下降为93.1％，召回率为0.98，考虑应是相同数据集的迭代次数过多，产生过拟合；
为了进一步提高准确率，解决过拟合现象，考虑以总迭代次数为2250次时得到的best模型作为蓝本，更换一半数据集，学习率设为0.0001，其他数值不变，继续训练2250次，得到模型准确率为94.1％，召回率为0.99，平均精度为0.81，模型适度拟合，准确率较高，可以作为检测花药开裂状况的工具系统使用；
通过训练后的YOLOv5深度学习网络对棉花花药开裂状态进行识别。
2.根据权利要求1所述的棉花花药开裂状态识别方法，其特征在于，在采集棉花花药RGB图像之前，还包括：
对棉花花朵进行预处理，将棉花花瓣剥离，对花药进行固定。
3.根据权利要求1所述的棉花花药开裂状态识别方法，其特征在于，改进后的YOLOv5深度学习网络包括输入端、backbone端、head端和输出端；所述backbone端的权重文件为mobilenetv2；
所述backbone端用于对输入的图像进行特征提取；
所述head端用于对所述backbone端提取的特征图进行采样及融合。
4.根据权利要求1所述的棉花花药开裂状态识别方法，其特征在于，所述通过所述训练集对改进后的YOLOv5深度学习网络进行训练，具体包括：
将所述训练集输入至改进后的YOLOv5深度学习网络；
判断改进后的YOLOv5深度学习网络的输出结果的误差是否在预设范围内；
若否，则调整改进后的YOLOv5深度学习网络的样本数、衰减系数、动量因子以及学习率。
5.根据权利要求1所述的棉花花药开裂状态识别方法，其特征在于，还包括：
通过所述测试集和所述验证集对训练后的YOLOv5深度学习网络进行测试和验证。
6.一种棉花花药开裂状态识别系统，其特征在于，包括：
图像采集模块，用于以黑色幕布为拍摄背景，采集棉花花药RGB图像；
构建模块，用于获取所述棉花花药RGB图像的标签，构建训练集、测试集和验证集；
模型获取模块，用于获取改进后的YOLOv5深度学习网络；在YOLOv5深度学习网络结构第十七层后，将原本的网络结构修改为继续进行上采样操作，使特征图继续扩大；同时在第20层时，将获取到的特征图与骨干网络中第2层特征图融合，以此获取更大的特征图进行小目标检测，在检测时，增加小目标检测层，一共使用四层结构进行检测；经过训练后会得到在训练过程中表现最好的权重文件，以及最后一次训练中得到的权重文件，经过比较模型评价指标，最终选择将best.pt作为权重文件；
训练模块，用于通过所述训练集对改进后的YOLOv5深度学习网络进行训练；
识别模块，用于通过训练后的YOLOv5深度学习网络对棉花花药开裂状态进行识别；
所述通过所述训练集对改进后的YOLOv5深度学习网络进行训练，具体包括：在模型训练阶段，原始模型为YOLOv5s权重文件，每次迭代的样本数设为64，衰减系数为0.0005，动量因子设置为0.9，初始学习率为0.001，当模型迭代达到1150次时，在测试集上的准确率达到91％，召回率达到0.96且开始趋于平缓；
接下来以迭代1150次得到的最佳模型作为原始模型重新开始训练，每次迭代的样本数为64，衰减系数为0.0005，动量因子设置为0.9，学习率为0.001，当模型迭代1200次，总迭代次数达到2350次时，模型准确率达到93.7％，此时召回率为0.99且趋于平缓；
为了获得更高的识别准确度，以上次训练得到的最佳模型作为原始模型，每次迭代的样本数为64，衰减系数为0.0005，动量因子设置为0.9，初始学习率为0.001继续进行训练，当模型迭代2250次后，模型准确率下降为93.1％，召回率为0.98，考虑应是相同数据集的迭代次数过多，产生过拟合；
为了进一步提高准确率，解决过拟合现象，考虑以总迭代次数为2250次时得到的best模型作为蓝本，更换一半数据集，学习率设为0.0001，其他数值不变，继续训练2250次，得到模型准确率为94.1％，召回率为0.99，平均精度为0.81，模型适度拟合，准确率较高，可以作为检测花药开裂状况的工具系统使用。
7.根据权利要求6所述的棉花花药开裂状态识别系统，其特征在于，还包括：
预处理模块，用于对棉花花朵进行预处理，将棉花花瓣剥离，对花药进行固定。
8.根据权利要求6所述的棉花花药开裂状态识别系统，其特征在于，改进后的YOLOv5深度学习网络包括输入端、backbone端、head端和输出端；所述backbone端的权重文件为mobilenetv2；所述backbone端用于对输入的图像进行特征提取；所述head端用于对所述backbone端提取的特征图进行采样及融合。
9.根据权利要求6所述的棉花花药开裂状态识别系统，其特征在于，所述训练模块具体包括：
输入单元，用于将所述训练集输入至改进后的YOLOv5深度学习网络；
判断单元，用于判断改进后的YOLOv5深度学习网络的输出结果的误差是否在预设范围内；
调整单元，用于当输出结果的误差不在预设范围内时，调整改进后的YOLOv5深度学习网络的样本数、衰减系数、动量因子以及学习率。
10.根据权利要求6所述的棉花花药开裂状态识别系统，其特征在于，还包括：
测试和验证模块，用于通过所述测试集和所述验证集对训练后的YOLOv5深度学习网络进行测试和验证。
CN202110509530.9A 2021-05-11 2021-05-11 一种棉花花药开裂状态识别方法及系统 Active CN113240001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110509530.9A CN113240001B (zh) 2021-05-11 2021-05-11 一种棉花花药开裂状态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110509530.9A CN113240001B (zh) 2021-05-11 2021-05-11 一种棉花花药开裂状态识别方法及系统

Publications (2)

Publication Number Publication Date
CN113240001A CN113240001A (zh) 2021-08-10
CN113240001B true CN113240001B (zh) 2023-05-26

Family

ID=77133444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110509530.9A Active CN113240001B (zh) 2021-05-11 2021-05-11 一种棉花花药开裂状态识别方法及系统

Country Status (1)

Country Link
CN (1) CN113240001B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008562B (zh) * 2019-10-31 2023-04-18 北京城建设计发展集团股份有限公司 一种特征图深度融合的人车目标检测方法
CN111523579B (zh) * 2020-04-14 2022-05-03 燕山大学 一种基于改进深度学习的车型识别方法及系统
CN111340141A (zh) * 2020-04-20 2020-06-26 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于深度学习的作物幼苗与杂草检测方法及系统
CN111626330B (zh) * 2020-04-23 2022-07-26 南京邮电大学 基于多尺度特征图重构和知识蒸馏的目标检测方法与系统
CN112084866B (zh) * 2020-08-07 2022-11-04 浙江工业大学 一种基于改进YOLO v4算法的目标检测方法
CN112215293A (zh) * 2020-10-20 2021-01-12 平安国际智慧城市科技股份有限公司 植物病虫害识别方法、装置及计算机设备

Also Published As

Publication number Publication date
CN113240001A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN111178197B (zh) 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法
CN110909690B (zh) 一种基于区域生成的遮挡人脸图像检测方法
CN111178120B (zh) 一种基于作物识别级联技术的害虫图像检测方法
CN114663346A (zh) 一种基于改进YOLOv5网络的带钢表面缺陷检测方法
CN113065578A (zh) 一种基于双路区域注意力编解码的图像视觉语义分割方法
CN110646425B (zh) 一种烟叶在线辅助定级方法及系统
CN110956615B (zh) 图像质量评估模型训练方法、装置、电子设备及存储介质
CN112819821B (zh) 一种细胞核图像检测方法
CN111783819B (zh) 小规模数据集上基于感兴趣区域训练改进的目标检测方法
CN114648714A (zh) 一种基于yolo的车间规范行为的监测方法
CN113435407A (zh) 一种输电系统的小目标识别方法及装置
CN110458019B (zh) 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法
CN116543386A (zh) 一种基于卷积神经网络的农业病虫害图像识别方法
CN115546187A (zh) 基于YOLO v5的农业病虫害检测方法及装置
CN115239672A (zh) 缺陷检测方法及装置、设备、存储介质
CN114299379A (zh) 一种基于高动态影像的阴影区植被覆盖度提取方法
CN114119532A (zh) 一种基于遥感影像与孪生神经网络的建筑物变化检测方法
CN113033328A (zh) 一种基于深度学习的人员口罩佩戴状态检测识别方法
CN113240001B (zh) 一种棉花花药开裂状态识别方法及系统
CN115830302B (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN111881803A (zh) 一种基于改进YOLOv3的畜脸识别方法
CN113836985A (zh) 图像处理装置、图像处理方法和计算机可读存储介质
CN116258686A (zh) 基于图像卷积特征捕捉的结肠息肉分型检测模型建立方法
CN116363344A (zh) 基于改进YOLOv5s的小麦小穗计数方法和系统
CN114862771B (zh) 一种基于深度学习网络的智齿识别和分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant