[发明专利]基于甘蔗簇的改进yolov5的复杂环境下蔗梢识别方法

说明书

本发明公开了一种基于甘蔗簇的改进yolov5的复杂环境下蔗梢识别方法，包括以下步骤：(1)获取数据集；(2)数据标注；(3)改进yolov5模型：以原始yolov5网络模型进行修改，先将yolov5原来PANET层改进为BIFPN层，从而实现自上而下与自下而上的深浅层特征双向融合，然后在neck部分引入CA注意力机制配合BIFPN提高模型对小目标和复杂环境下目标的识别率，再使用轻量化的Ghost卷积网络代替原有的卷积网络；(4)模型训练；(5)输出坐标。本发明的方法，从甘蔗生长的特性和yolov5算法的高效性相结合，改进模型相比较原始模型，召回率也有比较明显的提升。更高的召回率意味着模型的漏检率变少，蔗梢识别精准度高，也表明本方法更加适用于复杂环境下蔗梢的检测。

技术领域

本发明涉及甘蔗收割机智能系统技术领域，特别涉及一种基于甘蔗簇的改进yolov5的复杂环境下蔗梢识别方法。

背景技术

在甘蔗收割中，收割机要尽可能的找到甘蔗的梢头进行切割。如果切割点高于甘蔗的生长点就会堆积大量含糖量很少的甘蔗头部导致甘蔗含杂量太高，糖厂不愿意接受，但如果切割点低于甘蔗的生长点就会造成大量的浪费，降低了种植户的收入。然而实际上甘蔗蔗梢生长点的位置都被蔗叶包裹，人眼和机器都无法直接识别，只有通过拨开外层的蔗叶才能确定甘蔗生长点的位置。收获机切梢高度需要驾驶员在收获机收获行驶时目测甘蔗尾梢高度后手动频繁调节，造成驾驶员疲劳，且实时性差、高度不准确，导致切梢效果差。

现在的机器识别算法未能直接对甘蔗生长点的位置进行识别。但是经过大量田间调用发现甘蔗生长点的位置大约在甘蔗梢位置下约35cm处。可以通过识别蔗梢分叉点的位置来间接确定甘蔗生长点的位置。然而甘蔗地里甘蔗十分密集和混乱，对甘蔗的动态识别十分困难。即现有甘蔗收割机的识别系统对于蔗田复杂环境下蔗梢识别存在一下几个难点：1、甘蔗生长混乱，蔗梢被遮挡情况严重，增大了识别难度。2、甘蔗地内部，光线昏暗，可见度低，难以实现精确识别。3、蔗生长密集，交错。不仅增加了模型漏检和错检的风险，还大幅增加了模型的计算量。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种基于甘蔗簇的改进yolov5的复杂环境下蔗梢识别方法，从而克服甘蔗收割机作业时蔗梢识别精准度低，识别系统模型量计算大等的缺点。

为实现上述目的，本发明提供了一种基于甘蔗簇的改进yolov5的复杂环境下蔗梢识别方法，包括以下步骤：

(1)获取数据集：拍摄收集多张从甘蔗地拍摄的蔗梢照片，对蔗梢照片进行处理得到数据集，数据集包括训练集、测试集和验证集；

(2)数据标注：对步骤(1)的图片数据集进行标注，得到与训练集、测试集和验证集一一对应的标注文件；

(3)改进yolov5模型：以原始yolov5网络模型进行修改，先将yolov5原来PANET层改进为BIFPN层，从而实现自上而下与自下而上的深浅层特征双向融合，然后在neck部分引入CA注意力机制配合BIFPN提高模型对小目标和复杂环境下目标的识别率，再使用轻量化的Ghost卷积网络代替原有的卷积网络；

(4)模型训练：将步骤(4)得到的图片训练集和训练集标注文件放入步骤(3)所改进的yolov5模型进行训练，得到性能最优的模型并保存；

(5)输出坐标：以甘蔗簇为基本单位，得到一簇中所有蔗梢的中心坐标，再对所有的中心坐标求平均值并输出。

优选地，上述技术方案中，步骤(1)对蔗梢照片进行处理的方法为：对拍摄的照片进行数据增强，包括亮度调整、高斯模糊和镜像操作，然后将拍摄的照片和增强的照片放在一起形成数据集，再将数据集按照一定比例进行划分，划分为训练集、测试集和验证集。