基于改进YOLOv5s的轻量化储粮害虫检测方法.pdf
《基于改进YOLOv5s的轻量化储粮害虫检测方法.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv5s的轻量化储粮害虫检测方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、2023年8 月第38 卷第8 期中国粮油学报Journal of the Chinese Cereals and Oils AssociationVol.38,No.8Aug.2023基于改进 YOLOv5s 的轻量化储粮害虫检测方法吕宗旺 2,邱帅欣12,孙福艳 2,王玉琦1-2,牛贺杰1.2(河南工业大学信息科学与工程学院,郑州450 0 0 1)(粮食信息处理与控制教育部重点实验室,郑州450 0 0 1)摘要:粮食的安全储藏关系着国计民生,在粮食储藏过程中快速、精准检测储粮害虫具有重要意义。目前传统储粮害虫检测手段多数是通过人工检测,耗时、误判而且成本高。实验通过深度学习技术,提出一
2、种轻量化YOLOv5的害虫检测方法。首先,通过优化锚框参数;其次,将轻量化的MobileNetv3中的注意力模块替换成更高效的ECA,然后把改进后的MobileNetv3取代YOLOv5s的主干网络;最后,用加权双向特征金字塔Bi-FPN结构替换YOLOv5s中的特征金字塔结构。在自制储粮害虫数据集上训练结果显示,改进后的算法模型平均准确率达到97.1%,FPS提高至91,模型计算量仅有原来的11.6%。实验表明,与原始YOLOv5s相比,改进后的算法在储粮害虫小目标检测上精度更高、速度更快、模型更轻量化。关键词:储粮害虫;轻量化;锚框;MobileNetv3;ECA;Bi-FPN中图分类号:
3、TP399网络首发时间:2 0 2 3-0 1-12 17:31:57网络首发地址:https:/ Grain Storage Pest Detection Method Based on Improved YOLOv5sLi Zongwang”,Qiu Shuaixin-,Sun Fuyan2,Wang Yuqi-2,Niu Hejel.?(College of Information Science and Engineering,Henan University of Technology,Zhengzhou 450001)(Key Laboratory of Grain Informa
4、tion Processing and Control,Ministry of Education?,Zhengzhou 450001)Abstract:The safe storage of grain is related to the national economy and peoples livelihood,and it is of greatsignificance to quickly and accurately detect stored grain pests during grain storage.At present,most of the means ofdete
5、cting pests in food storage are manual detection,time-consuming,misjudged and costly.In this research,apest detection method for lightweight YOLOv5 was proposed through deep learning technology.Firstly,the anchor boxparameters were optimized.Secondly,the attention module in the lightweight MobileNet
6、v3 was replaced with a moreefficient ECA,and then,the YOLOv5s backbone network was replaced with the improved MobileNetv3.Finally,thefeature pyramid structure in YOLOv5s was replaced with a weighted bidirectional feature pyramid Bi-FPN structure.The training results on the self-made grain storage pe
7、st dataset indicated that the average accuracy of the improvedalgorithm model reached 97.1%,the FPS was improved to 91,and the model calculation amount was only 11.6%.Experiments indicated that,compared with the original YOLOv5s,the improved algorithm had a higher accuracy,faster speed and lighter m
8、odel in the detection of small targets of stored grain pests.Key words:grain pests;lightweight;anchor box;MobileNetv3;ECA;Bi-FPN粮食是国家长治久安的基本保障,也是人类生存和发展的基础。随着科学技术的不断发展,粮食基金项目:国家重点研发计划项目(2 0 17 YFD0401004)收稿日期:2 0 2 2-0 7-16第一作者:吕宗旺,男,197 9年出生,教授,粮食信息处理与控制、电子电路设计与智能控制,zongwang_文献标识码:A文章编号:10 0 3-0 17
9、 4(2 0 2 3)0 8-0 2 2 1-0 8产量得到很大的提高,储粮量也与日俱增,储粮过程中由于害虫造成的危害是粮食损失的一个重要原222因1.2 。储粮害虫的存在不仅会影响粮食品质,国家的经济造成损失,虫害的排泄物和户体还会造成疾病传播3。因此,储粮害虫的检测与识别是储粮安全的重要部分,在粮食储存过程中定期检测粮食谷物是否有储粮害虫存在至关重要4。目前粮库中对于储粮害虫的检测大部分是人工检测,少部分采用声检测、生物光子和图像识别等方法5-7 。人工检测方法需要专业的害虫检测人员,而且时间成本高,效率很低。声检测和生物光子易受其他因素影响,导致检测准确率下降。图像识别方法包括传统的机器
10、学习技术和深度学习技术,利用计算机处理获取的储粮害虫图像。传统的机器学习技术通过特征提取算法提取储粮害虫的边缘、形状、纹理等特征,利用机器学习算法对构成图像特征的特征向量进行分类,从而达到对不同储粮害虫的进行分类的目的8 ;但是需要人工设计害虫的特征,而且提取到的特征有限,当需要识别新的种类时特征提取部分要重新设计,迁移性较差。基于深度学习技术的储粮害虫识别是当前研究的热点也是粮食害虫识别的常见手段9.10 。深度学习技术主要通过目标检测算法进行实现,依托卷积神经网络自动提取害虫的各种特征,接着利用特征自动训练分类器,最终完成储粮害虫的检测和分类。目标检测算法包括两阶段(如FasterRC N
11、N和R-FCN)和一阶段(如 SSD和YOLO)。两阶段算法检测精度高但是速度慢,一阶段检测精度稍低但是速度较快。由于需要检测的储粮害虫属于小目标,经典的目标检测不适合解决小目标检测的问题。选择目前目标检测算法中性能较好的YOLOv5算法模型进行研究,针对储粮害虫小目标的特点对算法进行改进,为方便粮库工作人员的使用,对算法进行轻量化,以便算法可以移植到系统。1理论基础1.1YOLOv5YOLOv5(You Only Look Once version 5)是 2 0 2 0年提出的,为基于YOLOv4 的改进版本,是目前从准确性以及检测速度效果来说比较优秀的单阶段(o n e s t a g
12、e)检测网络。根据模型深度和宽度的不同,分为YOLOv5s、YO LO v 5m、YO LO v 51和YOLOv5x这4种基准模型。其中YOLOv5s算法模型的体积最小,单帧处理时间最短,更适合轻量化的储粮害虫检中国粮油学报测,因此对YOLOv5s算法进行改进。其网络模型包括Input、Ba c k b o n e、Ne c k 和Head,网络结构见图1。Input(640*640*3)FocusCBLCSPL_1CBLCSP11_3CBLCSP1_3CBLSPPBackboneInput部分使用Mosaic数据增强和自适应图片缩放等对图像进行预处理。Mosaic数据增强将4张图片进行组合
13、,达到丰富图片背景的效果,对小目标的检测更有利;自适应图片缩放对不同长宽的原始图像自适应地添加最少的黑边,统一缩放为标准尺寸。Backbone部分由Focus模块、CSP模块1 和SPP池化金字塔结构12 提取图片的特征信息,包括边缘特征、纹理特征和位置信息等。主干网络的第一层是Focus 模块,其主要作用是减少模型的计算量并加快训练速度,Focus模块结构如图2 所示。CBL模块由卷积层(Conv)、归一化层(BN)和激活函数SiLu组成,主要作用是可以从浅层和深层特征图提取上下文信息。2?423434图2 Focus模块结构图Neck部分在主干网络和预测网络之间,对主干网络提取到的维度较大
14、的特征图进行压缩,通过融合处理后输入到预测网络,对特征图中的目标进行定位和分类。由特征金字塔网络(FPN)【13 与路径聚合网络(PAN)14 构成,其结构如图3所示;FPN由下至上将丰富的语义特征从深层特征传递给浅层特征。而PAN则相反由上至下将细节特征从浅层特征传递给深层特征。2 种结构组合增强了模型的特征2023年第8 期ConcatCSP2_1JpsampleCBLCBLConcatCSP2_1CSP2_1ConcatCBLUpsampleConcatCBLCSP2.1CSP2.1Neck图1YOLOv5的网络结构图42ConvConvConvHead80*8040*4020*20第3
15、8 卷第8 期融合能力,获得更多的上下文信息,减少信息丢失。PAN:2020202020204040404080808080上采样1下采样图3FPN+PAN结构图Head部分包括3个分支,分别在2 0 2 0、40 40、8 0 8 0 3种尺度的特征图上预测目标的类别概率、置信度和边界框的位置坐标。采用GIOU_Loss15作为Boundingbox的损失函数,同时通过非极大值抑制NMS来筛选目标框。1.2MobileNetv3MobileNet网络是由Google团队提出的一种轻量级的神经网络模型,使用深度可分离卷积(depth-wise separable convolution)和反向
16、残差结构的思想构建模型16 。与传统的卷积神经网络相比,MobileNet在略微降低精度的前提下,大大减少了模型的参数量和计算量。MobileNetv3综合了MobileNetv2和MobileNetvl的特点,然后在MobileNetv2网络基础上进行改进,主要是在MobileNetv2中深度可分离卷积之后加人SE-Net,其主干网络Bneck如图4所示。首先利用11的卷积进行升维,再引人MobileNetv2线性瓶颈的逆残差结构;然后进行33深度可分离卷积,降低网络的计算量;再然后通过注意力模型SENet17,使网络关注更加有用的通道信息来调整每个通道的权重;最后,使用h s w i s
17、h 激活函数,代替swish函数,减少运算量,提高性能。通过改变Bneck结构后,与MobileNetv2相比,MobileNetv3在COCO数据集上达到相同的精度,速度快了2 5%,同时在分割算法上也有一定的提高18 。MobileNetv3网络可用于移动分类、检测和分割,该网络能够在保证模型轻量化的基础上,提高模型精确度以及运行速度,因此使用MobileNetv3网络作为储粮害虫检测模型的主干网络,进行害虫的特征提取。吕宗旺等基于改进YOLOv5s的轻量化储粮害虫检测方法Mobilenet V3blockFPN3x3404080 x8022311PoolFC.FCRelu hard-+图
18、4MobileNetv3主干网络Bneck结构图2改进YOLOv5s的储粮害虫检测算法研究提出的害虫检测方法包括两部分:收集储粮害虫数据集和建立储粮害虫目标检测的算法模型。数据集收集包括害虫图像的获取、数据增强和数据集划分。检测模型通过对目标检测算法YOLOv5s进行改进,得到轻量化、高精度的检测算法模型。2.1储粮害虫数据集的构建研究所用数据集为自制,包括5种小麦中常见的害虫(玉米象ymx、谷蠹gudu、赤拟谷盗cngd、印度古ydgm、麦蛾maie),通过搜集粮库智能测控柜中集虫瓶拍摄的害虫图像和诱捕器捕捉的害虫图像,然后对采集的图像数据进行筛选和处理,整理出2000张害虫图像数据,即每类
19、害虫包括40 0 张样本数据,制作目标检测的数据集;为了提高模型的泛化性能,采用5种数据增强手段即旋转、缩放、亮度变换、图像模糊和随机遮挡来增加原始数据集的多样性。最后按照8:2 的比例划分训练集和验证集。2.2YOLOv5s检测算法改进2.2.1锚框参数优化YOLOv5s采用锚框机制进行目标检测,因此在模型训练中预设的锚框尺寸将会直接影响算法的检测精度,锚框的尺寸越接近真实边界框,模型也越容易训练。由于原始算法模型的锚框尺寸是在COCO数据集中进行km e a n s 聚类得到的,但是不能很好地拟合储粮害虫目标的尺寸。因此采用km e a n s聚类算法对训练集中标记目标框的宽高重新进行聚类
20、分析,得到最优的锚框尺寸。结合图像中各类害虫目标的长宽比,修改后的锚框尺寸为8 12、10 24、14 14、15 36、17 2 2、2 1 9、2 7 2 6、37 16、5932,新的锚框尺寸有助于储粮害虫的检测和识别。2.2.2主干网络的改进将YOLOv5s的Backbone主干网络替换为更为轻量化的Mobilenetv3的主干网络,来进行特征提取;224然后将Mobilenetv3中深层特征(F2,F1)提取中通道注意力机制SE-Net替换成更高效的ECA(Effic ie n tChannel Attention)模块19。由于使用的数据是粮库中智能测控柜下集虫瓶里储粮害虫的数据,
21、因此背景复杂,含有大量杂质干扰,在模型识别过程中会有相当大的噪声,这些噪声将在模型学习过程中传输。随着网络层数的增加,特征图中噪声信息的权值也会增加,最终会对模型产生一定的不利影响。Mo-bileNetv3中使用的SENe t 模块通过2 个全连接的层在通道之间交换信息,并降低了特征的维数2 0 。全连接层的使用使SENe t 不具有轻量级,降维操作使信道与其预测的权值没有直接关系,这对SENet的整体性能有影响。ECA-Net利用一维卷积将相邻通道合并,获得加权的各类害虫特征,弥补特征降维造成的缺陷,实现局部跨通道交互,更好地增强害虫区域的特征。其中ECANe t的网络结构如图5所示。此外,
22、ECANe t 的参数量和复杂度都较低,并且不会过多地增加网络模型的存储开销和计算开销2 1。ECA-Net适合于引人轻量级网络结构中,以提高模型在复杂环境中关注有效特性的能力,并保持模型的轻量级和快速特性。因此,将低复杂度和高效的ECANe t 放在MobileNetv3每个残差模块之后。通过对残差模块产生的信道特性进行重新校准,提高了模型的表达能力,最终实现了提高模型识别性能的目标。将改进后的轻量级网络代替YOLOv5s的主干网络,在较少模型参数量、提高训练速度的同时,尽量少的损失模型的精度,实现杂质背景下储粮害虫小目标的快速准确的实时检测Adaptive Selection ofKern
23、el Size:k=y(C)k=5GAPHW2.2.3特征金字塔结构的改进原始YOLOv5s中Neck部分使用FPN和PAN进行特征提取和融合,通过融合处理后输入到预测网中国粮油学报络,对特征图中的目标进行定位和分类。图6 a为FPN结构,该结构建立了一条自上而下的通路,进行特征融合,接着用融合后的具有更高语义信息的特征层进行预测,但是这种结构会受到单向信息流的限制。图6 b为PAN结构,该结构是在FPN的基础上再建立一条自下而上的通路,将底层的位置信息传到预测特征层中,使预测特征层既有顶层的语义信息又有底层的位置信息,可以提高目标检测的精度。虽然解决能不同场景图像中对象尺度差异较大的问题,但
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv5s 量化 害虫 检测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。