[发明专利]一种基于CBoTs-yolov5的香菇数目及生长期识别方法及系统

权利要求书

1.一种基于CBoTs-yolov5的香菇数目及生长期识别系统，其特征在于，所述系统包括香菇信息边缘采集装置、云平台和移动终端；

所述香菇信息边缘采集装置包括摄像模块、调控模块和边缘智能网关，所述摄像机模块用于获取菇架上的香菇图片并将香菇图片以数据帧的形式发送给所述边缘智能网关，所述调控模块用于调节所述摄像模块拍摄时环境亮度；

所述云平台，用于接收所述边缘智能网关发送的图片信息，并采用CBoTs-yolov5算法识别图片信息内香菇的成熟期以及香菇成型期的数目，识别后云平台将数据储存在数据库内；

所述移动终端，用于接收所述云平台发送的香菇数目及生长期的数据信息，并提供给用户。

2.根据权利要求1所述的基于CBoTs-yolov5的香菇数目及生长期识别系统，其特征在于：所述云平台包括CBoTs-yolov5算法模型和数据库，所述CBoTs-yolov5算法模型是通过对yolov5算法模型进行改进得到识别精度更高的算法模型，所述数据库包括图片存储表、识别结果表和温室装置表。

3.根据权利要求2所述的基于CBoTs-yolov5的香菇数目及生长期识别系统，其特征在于，所述CBoTs-yolov5算法模型包括：

M1：获取若干组香菇生长图片，构建香菇生长期数据集；

M2：采用图形标注工具对所述香菇生长期数据集进行标注，标注后将所述香菇生长期数据集以6：2：2的比例随机划分为香菇生长期训练集、香菇生长期测试集与香菇生长期验证集；

M3：替换yolov5原始网络模型BackBone结构中C3模块为CBoT模块，在yolov5原始网络模型中增加小目标检测层，在yolov5原始网络模型neck结构中添加CBAM模块，构建CBoTs-yolov5模型；

M4：使用所述香菇生长期训练集、所述香菇生长期测试集和所述香菇生长期验证集对CBoTs-yolov5模型进行训练，得到最优模型权重；

M5：将所述最优模型权重的CBoTs-yolov5模型部署到所述云平台。

4.根据权利要求3所述的基于CBoTs-yolov5的香菇数目及生长期识别系统，其特征在于，在步骤M3中，包括：

M31：将yolov5原始网络模型BackBone结构中第8层C3模块的BottleNeck中添加Multi-Head Self-Attention得到CBoT模块；

M32：将在步骤M31形成网络模型中对neck结构再增加一层对特征图的上采样等处理，输出P/4大小的特征图；

M33：将在步骤M32形成网络模型中对neck结构将要输出特征尺寸图前添加CBAM模块。

5.根据权利要求4所述的基于CBoTs-yolov5的香菇数目及生长期识别系统，其特征在于，在步骤M31中Multi-Head Self-Attention的输入为香菇图片信息的特征矩阵的高、宽以及维度，之后经过三个卷积核大小为1的卷积层得到query矩阵、key矩阵和value矩阵，再将key矩阵与query矩阵进行矩阵乘法得到一部分注意力，同时初始化两个参数向量分别表示高度与宽度不同位置的位置编码，将两个同维的位置编码相加再与query矩阵进行矩阵乘法得到另一部分注意力，将两个注意力相加再进行归一化softmax函数得到全部的注意力，将注意力与value矩阵进行矩阵乘法得到Multi-Head Self-Attention的输出。

6.根据权利要求4所述的基于CBoTs-yolov5的香菇数目及生长期识别系统，其特征在于，所述步骤M31中上采样处理为在原始yolov5网络结构的第17层之后继续增加一个卷积核大小为一的卷积层，之后增加一层Upsample上采样，再将BackBone结构中P/4大小的特征图与上采样结果进行连接，之后经过一层C3结构，输出P/4大小的特征图至Prediction层，再构建与之对应的向下融合，在C3结构后添加一个卷积核大小为3的卷积层步长为2的卷积层，再将BackBone结构中P/8大小的特征图与卷积结果进行连接，再添加一层C3结构，之后原有结构依次往后顺移。