CN114612898A - 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 - Google Patents

Abstract

本发明公开了一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，包括：采集大量包含荔枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧的图像，构建数据集；所述图像包含成虫和/或虫茧的标注；所述数据集根据预设比例分为训练集和验证集；对训练集进行聚类分析，确定目标值分布；构建改进的YOLOv5模型；进行迁移训练，采用验证集对其进行验证，得到训练权重w的检测模型；将待检测的图像输入到权重为w的检测模型中，根据权重识别蒂蛀虫的生长阶段及数量；计算出蒂蛀虫羽化率。该方法可对待识别图像中所包含的成虫、虫茧及对应的数量进行准确的识别，进而可计算得出蒂蛀虫羽化率。有效减少了人力物力消耗，提高了检测准确率。

Description

一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法

技术领域

本发明涉及荔枝虫害检测领域，具体涉及一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法。

背景技术

目前，荔枝蒂蛀虫是危害荔枝果期最主要害虫。没有农药可以穿透荔枝果实杀死蒂蛀虫，因此防治蒂蛀虫要抓准时机，一般以防治未产卵的成虫为主。

为获取蒂蛀虫羽化时间点指导施药作业，传统方法是采用人工巡园的方式，人工翻动落叶或检查叶面背部，寻找蒂蛀虫踪迹。这种人工目测的方式劳动强度大且准确率低，实际蒂蛀虫的数量常常远大于观测到的，造成羽化率的低估。近年来，随着基于深度学习的目标检测的快速发展，使其成为虫害检查任务中一项热门的领域，它通过卷积神经网络来提取虫害特征，相较于传统人工方法，具有更好的检测效果与更低的人力消耗。

但对于如何更好的提升检测效果和准确率，还存在改进的空间。

发明内容

本发明的主要目的在于提供一种至少部分解决上述技术问题的基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，采用该方法能够便捷准确地完成蒂蛀虫羽化率估算任务。

为实现上述目的，本发明采取的技术方案为：

一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，包括：

采集大量包含荔枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧的图像，构建数据集；所述图像包含成虫和/或虫茧的标注；所述数据集根据预设比例分为训练集和验证集；

对所述训练集进行聚类分析，确定目标值分布；

构建改进的YOLOv5模型；

以所述训练集的样本图像作为输入，以对应的样本图像中成虫和/或虫茧的识别结果作为输出，对所述改进的YOLOv5模型进行迁移训练，采用验证集对其进行验证，得到训练权重w的检测模型；

将待检测的图像输入到权重为w的检测模型中，根据权重识别蒂蛀虫的生长阶段及数量；

根据蒂蛀虫的生长阶段所包含的成虫、虫茧及对应的数量，计算出蒂蛀虫羽化率。

进一步地，对所述训练集进行聚类分析，确定目标值分布；包括：

将所述训练集利用k-mean++算法进行聚类分析，根据初始聚类中心的选取原则选取K个初始聚类中心；

计算IoU大小，生成K个目标anchor值。

进一步地，构建改进的YOLOv5模型，包括：

构建YOLOv5模型，所述YOLOv5模型包括主干网络，颈部网络与预测网络；所述主干网络包括Focus模块、CBS模块、C3模块和SPPF模块；所述颈部网络包括CBS模块、C3模块和PaNet模块；所述预测网络包含检测头；所述主干网络与颈部网络的C3模块均由支路1与支路2组成，支路1包含卷积层、批归一层与SiLU激活函数，支路2包含卷积层、批归一层、SiLU激活函数与若干个Bottleneck结构；

修改所述颈部网络中的部分C3模块，在末尾加入SE模块；

修改所述主干网络、颈部网络与预测网络，增加一个预测网络输出。

进一步地，所述SE模块的运行过程包括：

根据模型通道之间的相互依赖性，对于输入特征图x，SE模块首先对x进行压缩操作，使用全局池化层与全连接结构，将H×W×C的输入转化为1×1×C大小的特征图，H、W、C分别为输入特征图x的高、宽以及通道数，作为通道级的全局特征z，z的第c个元素计算公式如下：

式中：x_c为x第c个通道的特征，c∈[1,2,...C]，H、W为x_c的高与宽，x_c(i,j)为x_c上纵坐标为i、横坐标为j处的特征值；

采用预设运算方式来抓取channel之间的关系，所述预设运算方式包含两个全连接层的bottleneck结构；

将学习到的各个channel的激活值s乘以特征图x上的原始特征。

进一步地，修改所述主干网络、颈部网络与预测网络，增加一个预测网络输出；包括：

在所述主干网络中第六层后增加一输出层数为768的卷积层与C3层；

在多尺度融合网络PANet中，增加一个输出尺度，原本3个尺度为8，16，32；现4个尺度为8，16，32，64；并增加对应检测头。

进一步地，对所述改进的YOLOv5模型进行迁移训练，采用验证集对其进行验证，得到训练权重w的检测模型；包括：

采用GIOU_loss作为bounding box损失函数，BECLogits作为objectness score损失函数，BCEclsloss作为class probability score损失函数；

三个损失函数值相加作为总损失函数值，当模型损失曲线波动接近于0时，停止训练，采用验证集对其进行验证；

当验证结果满足预设条件时，获得此时对应的训练权重w，否则继续训练。

进一步地，所述GIOU_loss计算公式如下：

式中，A^c为包含预测bbox(B^p)与ground truth bbox(B^g)的最小box(B^c)的面积，公式如下：

式中，

为边框B^c的左上角与右下角坐标；

此外，式中IoU计算公式为：

其中，A^p为B^p面积，同理，A^g为B^p面积，I为两个bbox相交部分面积，计算公式如下：

为I区域的左上角与右下角坐标。

与现有技术相比，本发明具有如下有益效果：

一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，包括：采集大量包含荔枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧的图像，构建数据集；所述图像包含成虫和/或虫茧的标注；所述数据集根据预设比例分为训练集和验证集；对所述训练集进行聚类分析，确定目标值分布；构建改进的YOLOv5模型；以所述训练集的样本图像作为输入，以对应的样本图像中成虫和/或虫茧的识别结果作为输出，对所述改进的YOLOv5模型进行迁移训练，采用验证集对其进行验证，得到训练权重w的检测模型；将待检测的图像输入到权重为w的检测模型中，根据权重识别蒂蛀虫的生长阶段及数量；根据蒂蛀虫的生长阶段所包含的成虫、虫茧及对应的数量，计算出蒂蛀虫羽化率。该方法能够有效且准确的获取当前时间点蒂蛀虫的羽化率，指导农事作业时间点，同时模型兼顾轻量级，具备边缘部署能力，对防范和减少荔枝蒂蛀虫的发生具有重要意义，可对待识别图像中所包含的成虫、虫茧及对应的数量进行准确的识别，进而可计算得出蒂蛀虫羽化率。有效减少了人力物力消耗，提高了检测准确率，能够较好的完成荔枝蒂蛀虫检测任务。

附图说明

图1为本发明实施例提供的基于YOLOv5网络的荔枝蒂蛀虫羽化率检测的流程图；

图2为本发明实施例提供的蒂蛀虫培养箱示意图；

图3为本发明实施例提供的改进的YOLOv5网络结构图；

图4为本发明实施例提供的SE模块结构图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明提供的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，包括：

S10、采集大量包含荔枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧的图像，构建数据集；所述图像包含成虫和/或虫茧的标注；所述数据集根据预设比例分为训练集和验证集；

S20、对所述训练集进行聚类分析，确定目标值分布；

S30、构建改进的YOLOv5模型；

S40、以所述训练集的样本图像作为输入，以对应的样本图像中成虫和/或虫茧的识别结果作为输出，对所述改进的YOLOv5模型进行迁移训练，采用验证集对其进行验证，得到训练权重w的检测模型；

S50、将待检测的图像输入到权重为w的检测模型中，根据权重识别蒂蛀虫的生长阶段及数量；

S60、根据蒂蛀虫的生长阶段所包含的成虫、虫茧及对应的数量，计算出蒂蛀虫羽化率。

该方法通过采集大量包含荔枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧的图像建立数据集，人工进行标注后按一定比例分为训练集与验证集；对训练集进行聚类分析确定目标anchor值，采用YOLOv5网络作为基础模型，在颈部网络部分C3层后加入SE注意力机制；修改整体网络结构，增加检测头数量，得到改进的YOLOv5蒂蛀虫检测模型；利用训练集对改进的YOLOv5蒂蛀虫检测模型进行训练，并利用验证集对模型效果进行验证。当验证结果大于设定的正确率时，结束训练，获得对应的检测模型，可实现对未知的图像进行检测，对图像内蒂蛀虫进行检测识别以及计算羽化率，有效减少了人力物力消耗，提高了检测准确率，能够较好的完成荔枝蒂蛀虫检测任务。

参照图1所示，下面通过具体的实施例来详细说明本发明的技术方案：

1)将荔枝落果收集放置于蒂蛀虫培养箱内，蒂蛀虫培养箱结构如图2所示，蒂蛀虫培养箱包括摄像装置、照明装置、储存装置；照明装置保持常亮用于照明，摄像装置用于对培养箱中的蒂蛀虫虫茧以及成虫进行拍摄，储存装置用于存放放入蒂蛀虫培养箱的荔枝落果以及从中孵化的蒂蛀虫幼、成虫等。

2)采集图像建立数据集D，数据集图像D包括荔枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧图片；使用标注软件对图中目标进行标注，标注包含两类：adult(成虫),cocoon(虫茧)。根据m:e的比例分为训练集D_train与验证集D_val。

在具体实施中，可使用LabelImg开源标注软件，将每张图中虫害目标使用矩形框标注，并保存标注框位置为.txt格式。标注完成后将图集按8：2的比例分为训练集D_train与验证集D_val。

3)对训练集进行聚类分析，确定目标anchor值分布，作为本发明实施例，包括如下步骤：

3.1)将训练集利用k-mean++算法进行聚类分析，根据初始聚类中心尽可能远的原则选取比如12个初始聚类中心；

3.2)计算IoU大小，按照大到小顺序生成12个目标anchor值。

4)构建YOLOv5模型，如图3所示，YOLOv5模型包括主干网络，颈部网络与预测网络；主干网络包括n1个Focus模块、n2个CBS模块、b3个C3模块、n4个SPPF模块；颈部网络包括n5个CBS模块、n6个C3模块、n7个PaNet模块；预测网络包含n8个检测头；n1到n8均为大于0的整数。主干网络与颈部网络C3模块由支路1与支路2组成，支路1包含卷积层、批归一层与SiLU激活函数，支路2包含卷积层、批归一层、SiLU激活函数与若干个Bottleneck结构。

5)修改颈部网络中的部分C3模块，在末尾加入SE模块，SE模块结构见图4，作为本发明具体实施例，包括如下步骤：

5.1)SE模块根据模型通道之间的相互依赖性，对于输入特征图x，SE模型首先对x进行压缩操作，使用全局池化层与全连接结构，将H×W×C的输入转化为1×1×C大小的特征图，H、W、C分别为输入特征图x的高、宽以及通道数，作为通道级的全局特征z，z的第c个元素计算公式如下：

式中：x_c为x第c个通道的特征，c∈[1,2,...C]，H、W为x_c的高与宽，x_c(i,j)为x_c上纵坐标为i、横坐标为j处的特征值；

5.2)接下来需要另外一种运算来抓取channel之间的关系，这里采用包含两个全连接层的bottleneck结构，其中第一个FC层起到降维的作用，降维系数为r是个超参数，然后采用ReLU激活。最后的FC层恢复原始的维度。公式如下：

s＝σ(W₂ReLU(W₁z))

式中：

W₁为大小是

的二维向量，W₂为大小是

的二维向量，R为实数，σ为sigmoid函数；

5.3)：最后将学习到的各个channel的激活值s(sigmoid激活，值0～1)乘以x上的原始特征，公式如下：

X＝x*s

6)修改主干、颈部网络与预测网络，增加一个预测网络输出，作为本发明具体实施例，包括如下步骤：

6.1)于主干网络中第六层后增加一输出层数为768的卷积层与C3层。

6.2)在多尺度融合网络PANet中，增加一个输出尺度，原本3个尺度为8，16，32。现4个尺度为8，16，32，64。并增加对应检测头。

7)用蒂蛀虫图集D的训练集对模型进行迁移训练，得到训练权重w；即采用GIOU_loss作为boundingbox损失函数，BECLogits作为objectness score损失函数，BCEclsloss作为class probability score损失函数。三个损失函数值相加作为总损失函数值，当模型损失曲线波动接近于0时，停止训练，得到训练权重w，否则继续训练。其中GIOU_loss计算公式如下：

式中，A^c为包含预测bbox(B^p)与ground truth bbox(B^g)的最小box(B^c)的面积，公式如下：

式中，

为边框B^c的左上角与右下角坐标；

此外，式中IoU计算公式为：

其中，A^p为B^p面积，同理，A^g为B^p面积，I为两个bbox相交部分面积，计算公式如下：

为I区域的左上角与右下角坐标。

8)输入未知可能包含蒂蛀虫的图像，进行蒂蛀虫检测，将拍摄装置获取的图像输入到权重为w的模型中，模型根据权重自动识别蒂蛀虫的生长阶段及数量。

根据虫茧与成虫的数量，自动计算出羽化率。

该方法通过基于YOLOv5网络的检测模型，可对待识别图像中所包含的成虫、虫茧及对应的数量进行准确的识别，进而可计算得出蒂蛀虫羽化率。有效减少了人力物力消耗，提高了检测准确率。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，其特征在于，包括：

采集大量包含荔枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧的图像，构建数据集；所述图像包含成虫和/或虫茧的标注；所述数据集根据预设比例分为训练集和验证集；

对所述训练集进行聚类分析，确定目标值分布；

构建改进的YOLOv5模型；

以所述训练集的样本图像作为输入，以对应的样本图像中成虫和/或虫茧的识别结果作为输出，对所述改进的YOLOv5模型进行迁移训练，采用验证集对其进行验证，得到训练权重w的检测模型；

将待检测的图像输入到权重为w的检测模型中，根据权重识别蒂蛀虫的生长阶段及数量；

根据蒂蛀虫的生长阶段所包含的成虫、虫茧及对应的数量，计算出蒂蛀虫羽化率。

2.根据权利要求1所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，其特征在于：对所述训练集进行聚类分析，确定目标值分布；包括：

将所述训练集利用k-mean++算法进行聚类分析，根据初始聚类中心的选取原则选取K个初始聚类中心；

计算IoU大小，生成K个目标anchor值。

3.根据权利要求1所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，其特征在于：构建改进的YOLOv5模型，包括：

构建YOLOv5模型，所述YOLOv5模型包括主干网络，颈部网络与预测网络；所述主干网络包括Focus模块、CBS模块、C3模块和SPPF模块；所述颈部网络包括CBS模块、C3模块和PaNet模块；所述预测网络包含检测头；所述主干网络与颈部网络的C3模块均由支路1与支路2组成，支路1包含卷积层、批归一层与SiLU激活函数，支路2包含卷积层、批归一层、SiLU激活函数与若干个Bottleneck结构；

修改所述颈部网络中的部分C3模块，在末尾加入SE模块；

修改所述主干网络、颈部网络与预测网络，增加一个预测网络输出。

4.根据权利要求3所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，其特征在于：所述SE模块的运行过程包括：

根据模型通道之间的相互依赖性，对于输入特征图x，SE模块首先对x进行压缩操作，使用全局池化层与全连接结构，将H×W×C的输入转化为1×1×C大小的特征图，H、W、C分别为输入特征图x的高、宽以及通道数，作为通道级的全局特征z，z的第c个元素计算公式如下：

式中：x_c为x第c个通道的特征，c∈[1,2,...C]，H、W为x_c的高与宽，x_c(i,j)为x_c上纵坐标为i、横坐标为j处的特征值；

采用预设运算方式来抓取channel之间的关系，所述预设运算方式包含两个全连接层的bottleneck结构；

将学习到的各个channel的激活值s乘以特征图x上的原始特征。

5.根据权利要求4所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，其特征在于：修改所述主干网络、颈部网络与预测网络，增加一个预测网络输出；包括：

在所述主干网络中第六层后增加一输出层数为768的卷积层与C3层；

在多尺度融合网络PANet中，增加一个输出尺度，原本3个尺度为8，16，32；现4个尺度为8，16，32，64；并增加对应检测头。

6.根据权利要求4所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，其特征在于：对所述改进的YOLOv5模型进行迁移训练，采用验证集对其进行验证，得到训练权重w的检测模型；包括：

采用GIOU_loss作为bounding box损失函数，BECLogits作为objectness score损失函数，BCEclsloss作为class probability score损失函数；

三个损失函数值相加作为总损失函数值，当模型损失曲线波动接近于0时，停止训练，采用验证集对其进行验证；

当验证结果满足预设条件时，获得此时对应的训练权重w，否则继续训练。

7.根据权利要求6所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法，其特征在于：所述GIOU_loss计算公式如下：

式中，A^c为包含预测bbox(B^p)与ground truth bbox(B^g)的最小box(B^c)的面积，公式如下：

式中，

为边框B^c的左上角与右下角坐标；

此外，式中IoU计算公式为：

其中，A^p为B^p面积，同理，A^g为B^p面积，I为两个bbox相交部分面积，计算公式如下：

为I区域的左上角与右下角坐标。

Images