基于改进YOLOv5的新疆棉花幼苗与杂草识别方法研究.pdf
《基于改进YOLOv5的新疆棉花幼苗与杂草识别方法研究.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv5的新疆棉花幼苗与杂草识别方法研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、第 51 卷收稿日期:2022年11月3日,修回日期:2022年12月19日基金项目:科技部科技创新2030-“新一代人工智能”重大项目(编号:2022ZD0115805);新疆维吾尔自治区重大专项(编号:2022A02011-3)资助。作者简介:杜晨,男,硕士,研究方向:计算机视觉、农业信息化。冯向萍,女,硕士,副教授,研究方向:计算机应用。李永可,男,博士,副教授,研究方向:数字农业。张世豪,男,硕士,研究方向:计算机视觉、目标检测。舒芹,女,博士,研究方向:农业数字经济。赵昀杰,男,博士,研究方向:计算机视觉。1引言新疆作为全国第一大棉花种植中心,2021年棉花产量便已超过 500 万吨
2、,占全国总产量的89.5%1。目前,推动新疆棉花“由量向质”转型,是增强新疆棉花竞争力、确保有效供给率以及带动相关产业可持续发展的必由之路。杂草作为棉花生产中的主要威胁要素之一,虽然大面积喷洒除草剂基于改进 YOLOv5 的新疆棉花幼苗与杂草识别方法研究杜晨1冯向萍1李永可1张世豪1舒芹2赵昀杰1(1.新疆农业大学计算机与信息工程学院乌鲁木齐830052)(2.新疆农业大学经济管理学院乌鲁木齐830052)摘要目标检测同农业发展相连结是农业生产走向智慧化的必由之路。研究把深度学习技术应用于杂草检测,提出改进YOLOv5的棉田杂草检测模型。首先,将YOLOv5主干网络中的卷积模块替换为Ghost
3、卷积,实现模型轻量化;其次,使用对所有IoU loss增加幂的-IoU loss替换YOLOv5默认的CIoU loss,以提高模型前期收敛速度;然后,加入加权双向特征金字塔(BiFPN)。改进的模型可实现参数量降低56.8%、浮点运算次数降低65.8%的情况下mAP仅降低1.61%,可满足实际应用和移动端部署的要求。最后,使用解耦头(Decouple Head)替换默认YOLO Head,比官方YOLOv5的mAP提高1.76%,证明解耦头可以提高模型精度。关键词棉花幼苗;目标检测;杂草识别;轻量化模型;YOLO Head 解耦头中图分类号TP183;TP312DOI:10.3969/j.i
4、ssn.1672-9722.2023.05.030Research on the Identification Method of Cotton Seedlings andWeeds in Xinjiang Based on the Improved YOLOv5DU Chen1FENG Xiangping1LI Yongke1ZHANG Shihao1SHU Qin2ZHAO Yunjie1(1.College of Computer and Information Engineering,Xinjiang Agricultural University,Urumqi830052)(2.Co
5、llege of Economics and Management,Xinjiang Agricultural University,Urumqi830052)AbstractLinking target detection with agricultural development is the only way for agricultural production to become smart.The study applies deep learning techniques to weed detection and proposes an improved YOLOv5 weed
6、 detection model for cottonfields.First,the convolution module in the YOLOv5 backbone network is replaced with Ghost convolution to achieve a lightweightmodel.Second,the default CIoU loss of YOLOv5 is replaced with an-IoU loss that adds powers to all IoU losses to improve thepre-convergence speed of
7、 the model.Then,a weighted bi-directional feature pyramid(BiFPN)is added.The improved model canachieve only 1.61%reduction in mAP with 56.8%reduction in the number of parameters and 65.8%reduction in the number of floating-point operations,which can meet the requirements of practical applications an
8、d mobile deployments.Finally,Decouple Head isused to replace the default YOLO Head,the mAP is improved by 1.76%compared with the official YOLOv5,which proves that theDecouple Head can improve the model accuracy.Key Wordscotton seedlings,target detection,weed identification,lightweight model,YOLO Hea
9、d decouple headClass NumberTP183,TP312总第 403 期2023 年第 5 期计算机与数字工程Computer&Digital EngineeringVol.51 No.511442023 年第 5 期计算机与数字工程可以抑制杂草生长,但若一味墨守成规的使用此种效率低且成本高的人工除草方式,将严重影响生态环境,同时也会降低土壤肥力,致使棉花品质下降24。为避免此类问题发生,本文将深度学习同农业发展相连结,通过图像处理与分析,精准辨别棉花生长中产生的杂草类型及其定位,高效智能除草,以此增进棉花产量与品质5。就数字图像处理的杂草识别现状来看,关键在于运用颜色、叶
10、片形状和叶面纹理等多个特点的差异进行杂草识别68。就卷积神经网络的杂草识别现状来看,学者们利用深度学习中关键的网络模型CNN,对图像特征进行研究911,从而达到杂草特征自动提取的目的,增加识别准确率。对深度目标检测的杂草识别现状来看,部分学者运用YOLO算法将目标检测任务转换成一个回归问题,利用单阶段检测来提升检测速度1214。上述有关图像识别的研究为我国农业智能化发展提供了有力的学术与技术支持,但这些方法多以农作物为研究对象,特点单一,识别对象多为单独个体,事实上棉花幼苗和杂草的生长往往呈现出纵横交错的态势。综上所述,为解决交叉生长环境下棉花幼苗和杂草的识别难题,本文以新疆棉花田间典型杂草为
11、主要研究对象,构建深度卷积神经网络,针对复杂植株特征,采用当下热门的目标检测算法,设计构建出一个可实现大田环境下棉花幼苗和杂草识别的网络识别模型,提高对杂草植株的识别率。2杂草检测算法原理2.1YOLOv5目标检测模型YOLOv5 模型是一种端到端的单步目标检测模型,它的推理速度较快且模型部署成本较低。模型中囊括 Input、Backbone、Neck 以及 Prediction 这四大板块。从图1可见新版本的YOLOv5模型结构图,多数的激活函数皆应用了SiLU,其特征为无上界、有下界、平滑以及非单调。它是处于线性函数与ReLU函数之间的平滑函数。由于Conv层相较于普通卷积能够降低采样所导
12、致的信息缺失,所以此版本用Conv替代了第一层的Focus,但是其计算速度则相对较慢。除此之外,还运用SPPF(简化的空间金字塔池化)替换了SPP结构,SPPF将输入特征串行利用多个5*5大小的MaxPool层进行替换,从而提高计算速度。2.2改进YOLOv5目标检测算法本文在前人研究的基础上,提出基于YOLOv5模型的改进网络,让模型即能够增强检测精度还可以减少参数量,让在高通量表型平台上操纵困难的问题得以缓解。第一,引进Ghost模块减轻网络复杂度;第二,利用 BiFPN(加权双向特征金字塔网络)增强检测率;第三,运用IoU loss替换 CIoULoss,以此提升收敛速度;第四,对预测头
13、 YOLOHead进行解耦,从而增加精度。具体改进如下所示。InputBackboneConvConvC3ConvC3ConvC3NeckConvC3ConvC3ConvC3SPPFConvC3UpsampleConcatUpsampleConcatC3ConvConcatConcatDetectOutput图1YOLOv5 模型结构图1)Ghost模块从图 2 可见,Ghost 模块中囊括了 1 个少量卷积、1 个总体恒等映射以及 m (s-1)个线性运算。在堆叠卷积层中能够获取充裕的特征信息,冗余信息也被收纳其中。虽然便于网络对特征信息有着更加详细的认识,但是计算量也会相应增加。所以运用一
14、般卷积生成少量的特征图,接下来对上述所得的特征图展开廉价线性操作,从而生成Ghost特征图,最后把二者按照通道进行凭拼接,以此生成充沛的特征图来匹配既定的输出通道数。InputConvIdentify12kOutput图2Ghost模块2)-IoU loss早期的研究多数选取Ln-norm进行BBox的回归,但是,研究发现IoU损失对BBox存在尺度不变性,对于检测器的训练有着一定的帮助,然而,当预测框和 Ground Truth不重叠时出现了几种特殊情况导致无法准确判断预测框和 Ground Truth的真实位置情况引发梯度消失的问题,这会导致模型收敛速度慢并影响检测器的准确度。为了更准确地
15、描述两者的位置关系以缓解梯度消失问题,启发了1145第 51 卷几种基于 IoU 损失的改进设计。经过前人的实验发现,当的取值为3时,在大多数情况下可取得较好的表现,且优于现有的IOU损失。当的取值大于 1 时,会在训练过程中增加对高 IOU 目标的权重,使得网络的预测结果更加精准。3)BiFPN(加权双向特征金字塔网络)由于在网络训练时,各类目标的尺寸大小皆不统一,使得卷积过程中,大目标的特征能够伴随卷积的深入从而保留,小目标的特征则有可能被隐没,所以把具有相同目标的不同深度的特征层融合则势在必行。从图 3 可见,BiFPN 分别对 FPN 和PANet进行改善。第一,在FPN模块中添加一条
16、自底向上的通道,让底部的信息可以更加便捷地上传至顶部,从而生成路径聚合网络;第二,删除仅有1个输入或输出的节点;第三,如果输入和输出的结点在同一层,那么在输入/输出特征图间增加1个跳跃连接。由此则可以在同等计算成本的条件下,将更多的特征融合进来。同时让每个输入增加一个额外的权重,并让网络学习每个输入特性的重要性。(a)FPN(b)PANet(c)BiFPNP7P6P5P4P3P7P6P5P4P3P7P6P5P4P3图3加权双向特征金字塔网络4)YOLOv5解耦头在进行目标检测的过程中,分类任务与回归问题间始终有着巨大的冲突。所以,在诸多的单阶段以及两阶段检测器中,包含着用于分类与定位的解耦头。
17、GE.,et al.16把检测头解耦,使得网络收敛速度大幅提升,同时提高了网络检测精度。由于分类任务与回归问题间具有一定的冲突,所以本文把YOLOv5的检测头由原来的耦合变更为解耦,其结构图如图4所示。首先,本文运用1*1卷积层把原先YOLOv5的输出通道数量缩减至256,然后增加2个平行的分支,利用2层3*3卷积层分别运用在分类和回归任务中,最后采用1*1卷积层来调节最终通道数。InputHW256HW25622HW256HWanchorCHWanchor4HWanchor1图4DecoupleHead 结构图3实验结果及分析3.1实验环境与参数设置本研究使用的处理器为 11th Gen I
18、ntel(R)Core(TM)i7-11800H 2.30GHz,显卡为 NVIDIAGeForce RTX 3060 Laptop,内存为 16GB,Python 版本为3.7,图像尺寸为1024,批次大小设置为10,深度学习框架使用 Pytorch1.8.0 版本、CUDA 版本为11.0。3.2数据集及预处理本文以棉花幼苗和田间的杂草作为识别对象。2022年5月至7月在新疆沙雅县海楼镇乔格铁热克村试验田和昌吉市华兴农厂试验田,分18个阶段(每阶段相差35天),总共拍摄16384张样本图像。实验中把数据集依照8 1 1的比例进行划分,分为训练集、验证集以及测试集,然后把划分后的数据集用于本
19、实验,保证每种模型的训练皆选用一模一样的数据。数据集中共有5类数据,分别为棉花幼苗、龙葵、小藜、反枝苋与其他杂草,具体样本数量详见表1。在实验过程中利用随机翻转、随机缩放、随机擦除、随机裁减等方式以及 Mosaic、Mixup方法展开数据增强操作。图 5 可见数据增强后的效果。Mosaic数据增强选择4张图片,按照上述方法处理杜晨等:基于改进YOLOv5的新疆棉花幼苗与杂草识别方法研究11462023 年第 5 期计算机与数字工程完毕后开始随机编排与拼接,增加 BatchSize的同时有效降低了显存占用率,还可以扩大原始数据集。Mixup算法把各类图片相融合,在丰富了重叠杂草样本数量的同时,又
20、让网络可以在测试阶段更为强大。表1样本数量杂草类别棉花幼苗龙葵小藜反枝苋其他杂草数量89341172117611333969(a)Mosaic(b)Mixup图5Mosaic和Mixup数据增强3.3评价指标本实验中目标检测模型的衡量标准为mAP0.5、mAP0.5:0.95、参 数 量、浮 点 运 算 次 数(GFLOPs)、模型大小以及FPS,重叠阈值为0.5。具体含义如下:1)mAP0.5IOU 阈值为 0.5时的平均 AP,展现模型的识别能力;2).mAP0.5:0.95IOU阈值为从 0.5到 0.95,步长为 0.05时各个 mAP的平均值,展现模型的定位效果、边界回归能力;3)参
- 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 YOLOv5 新疆 棉花 幼苗 杂草 识别 方法 研究
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。