[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

说明书

本发明涉及一种基于CBoTs‑yolov5的香菇数目及生长期识别方法及系统，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。本发明不仅提升识别香菇成熟度及数目统计的精度，提高生产效率，而且减少人力浪费。

技术领域

本发明涉及香菇种植技术领域，尤其是涉及一种基于CBoTs-yolov5的香菇数目及生长期识别方法及系统。

背景技术

香菇在中国已有十分悠久的种植历史。2020年我国食用菌总产量达到4061.43万吨，比2019年增加129.96万吨；2020年香菇总产值达到3465.65亿元，比2019年增加346.56亿元。香菇产量占总产量的29.25%，位居食用菌产量第一。干香菇出口创汇金额为9.54亿美元占总出口额的35%，位居第一。食用菌工厂化，通过改进香菇的生产方式，加强技术在香菇生产中的应用，可以提高生产效率和产量，降低生产成本和人力的不确定性带来的风险

YOLO系列算法使用单神经网络来完成检测对象的所有阶段，提高了模型的速度。此外，它具有很好的泛化能力，可以很容易地训练来检测不同对象。针对yolov5的应用，已有许多学者应用各个领域，并有较好的应用效果。

目前对香菇的生长期识别与数目统计主要由人工完成，这种统计方式繁杂，且在统计过程种无需太多判断，对人力资源造成大量浪费，未有将yolov5算法应用在香菇生长期识别以及数目统计领域，如何提高香菇种植技术的智能化和高效性，成为我们亟待解决的问题。

发明内容

鉴于以上问题，本发明提供了一种基于CBoTs-yolov5的香菇数目及生长期识别方法及系统，不仅提升识别香菇成熟度及数目统计的精度，提高生产效率，而且减少人力浪费。

为了实现上述目的及其他相关目的，本发明提供的技术方案如下：

一种基于CBoTs-yolov5的香菇数目及生长期识别系统，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。

进一步的，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。

进一步的，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；