一种基于YOLO轻量化网络模型的目标检测方法

本发明涉及目标检测，特别涉及一种基于yolo轻量化网络模型的目标检测方法。

背景技术：

1、苹果作为中国产量最多的水果，其苹果的种植面积和产量均达到世界总产量的40％以上，在人们日常生活以及蔬菜水果贸易起到重要的影响。由于苹果叶片的病害会降低苹果的产量与质量，给果农带来不同程度的经济损失。因而，使得开发有效识别苹果叶片病害的目标检测模型越来越引起人们的重视。

2、目前针对苹果叶片病害的鉴别主要是依靠具备相关知识的工作人员到种植地实地目视观察，因此比较耗时和费力。近年来，由于人工智能在深度学习领域的兴起，目标检测作为深度学习与计算机视觉重要的交叉分之之一，在图像识别与监控领域发挥着重要作用。相较于传统机器学习算法的人工检测和苹果叶片病害的特征信息提取以及依赖专业人士的判断，基于深度学习的目标检测模型能够自动检索图像中的目标特征信息。因此，将深度学习目标检测模型应用到苹果叶片病害目标的检测上，更好的帮助果农鉴别苹果病害类型，使得果农能够尽快采取相应的科学防治方法，避免造成不必要的经济损失。

3、在此之前，国内外众多学者提出了多种基于深度学习的目标检测模型来用于农作物病害的检测。temniranrat等人构建了基于水稻图像病害的自动化系统，并将yolov3模型部署到服务端。江鹏等人采用基于一阶段的目标检测模型ssd对苹果叶片常见的病害进行识别检测，识别的平均精度均值为79.63％。李鑫然等人提出了一种对二阶段目标检测模型fasterrcnn模型的改进，通过特征金字塔把浅层特征和具有语义信息的深层特征相融合以提取苹果叶片病害特征，其平均精度均值达到82.48％。黄丽明等人利用深度可分离卷积和倒残差结构对yolov4模型进行算法改进，改进后的yolov4模型的参数大小为44.2mb且平均精度均值为80.85％。

4、虽然以上研究取得了相关的进展，然而针对苹果叶片病害图像的检测仍然存在多种问题。目前，深度学习目标检测模型主要分为一阶段目标检测和二阶段目标检测。一阶段目标检测模型采用端对端方式进行检测且识别速度快，但是精度不高。二阶段目标检测模型检测精度高，但是检测速度慢。由于移动端和边缘设备普遍计算和存储等能力的不足，上述方法难以满足在边缘设备上对苹果叶片病害图像精准识别的要求。

技术实现思路

1、本发明的目的是提供一种基于yolo轻量化网络模型的目标检测方法，以解决现有技术中存在的技术问题。

2、本发明的上述技术目的是通过以下技术方案得以实现的：

3、一种基于yolo轻量化网络模型的目标检测方法，包括以下步骤：

4、s1、定义面向多尺度目标的目标检测任务；

5、s2、图像数据采集并构建图像数据集；

6、s3、以yolov5网络模型为基础模型，构建改进后的目标检测模型asod；

7、s4、输入数据集训练得到轻量化模型。

8、进一步的，所述s3的改进包括以下步骤：

9、s3.1、采用参数量较低的yolov5s作为asod模型的原始基础模型，yolov5s主要由4个部分组成，分别是输入端(input)、主干网络(backbone)、颈部(neck)及输出端(output)；

10、s3.2、采用在图像识别上具有速度快且精度较高的shufflenetv2轻量型网络结构作为asod模型的骨干网络进行特征提取，shufflenetv2是在开始特征提取时，先进行通道分离(channelsplit)运算将输入的特征图在通道维度中分成两个分支，其中一个分支先通过1x1卷积，然后是3x3的depth-wiseconvolution(dwconv)，紧接着再次进行1x1卷积，最后是对两个分支的短路连接结果进行通道混洗(channelshuffle)，以保证两个分支之间的信息交流；

11、s3.3、引入stem神经网络结构，stem结构首先将输入的特征图进行3x3的卷积操作，然后将网络结构分为两个部分，一部分特征对象数据图进行最大池化(maxpool)，另一部分特征对象数据图先进行1x1的卷积操作降低一半的通道数，之后再进行3x3的卷积操作，最后再将这两部分操作进行连接，并且再进行一次1x1的卷积操作还原通道数量；

12、s3.4、引入空间金字塔池化(spatialpyramidpooling,spp)，以便特征图能够在模型的连接层中高效融合，spp使得任意多尺度特征图都能够转换成固定大小的特征向量，送入模型的连接层；

13、s3.5、asod的连接层主要是由特征金字塔网络(featurepyramidnetworks,fpn)以及路径聚合网络(pathaggregationnetwork,pan)相结合的多尺度目标检测结构所构成；

14、s3.6、引入complete-iou(ciou)损失函数来衡量锚框的损失，ciou同时考虑重叠面积，中心点距离和纵横比这三种几何因素的运算，使得预测框的回归更加稳定，ciou的计算公式：

15、

16、其中，α是用于做权衡预测框与真实框的参数，ν是用来衡量纵横比一致性的参数；

17、s3.7、在预测头部分的设计主要采用多尺度多anchors的目标检测方式。

18、进一步的，所述步骤s3.3中，将将原先spp结构中的最大池化(maxpool)替换成二维最大池化(2dmaxpool)，将改进后的空间金字塔池化命名为fast-spp。

19、进一步的，所述步骤s3.6中的多尺度多anchors的目标检测方式分别采用80x80、40x40、20x20这3种尺度检测。

20、综上所述，本发明具有以下有益效果：

21、其一、本发明中的asod模型首先首先采用参数量较低的yolov5s作为asod模型的原始基础模型，其次采用shufflenetv2轻量化网络作为模型的骨干网络,然后在asod模型的骨干网络中融合stem模块与改进后的空间金字塔池化模块，最后采用特征金字塔结构与路径聚合网络结构相结合作为模型的连接层。最终使得asod模型能够在保证轻量化的前提下,实现对苹果叶片病害图像的有效识别。

22、其二、采用特征金字塔网络以及路径聚合网络，为了解决主干网络在特征提出过程中，小尺度目标存在特征信息丢失的现象。

23、其三、采用ciou损失函数主要是为了解决在出现多目标和目标密集的情况下，存在目标遮挡，目标冗余以及目标特征模糊等现象。

技术特征：

1.一种基于yolo轻量化网络模型的目标检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于yolo轻量化网络模型的目标检测方法，其特征在于：所述s3的改进包括以下步骤：

3.根据权利要求2所述的一种基于yolo轻量化网络模型的目标检测方法，其特征在于：所述步骤s3.3中，将将原先spp结构中的最大池化(maxpool)替换成二维最大池化(2dmaxpool)，将改进后的空间金字塔池化命名为fast-spp。

4.根据权利要求2所述的一种基于yolo轻量化网络模型的目标检测方法，其特征在于：所述步骤s3.6中的多尺度多anchors的目标检测方式分别采用80x80、40x40、20x20这3种尺度检测。

技术总结
本发明公开了一种基于YOLO轻量化网络模型的目标检测方法，包括以下步骤：S1、定义面向多尺度目标的目标检测任务；S2、图像数据采集并构建图像数据集；S3、以YOLOv5网络模型为基础模型，构建改进后的目标检测模型ASOD；S4、输入数据集训练得到轻量化模型。本发明中的ASOD模型首先采用ShuffleNetV2轻量化网络作为模型的骨干网络,然后在ASOD模型的骨干网络中融合STEM模块与改进后的空间金字塔池化模块，最后采用特征金字塔结构与路径聚合网络结构相结合作为模型的连接层。最终使得ASOD模型能够在保证模型轻量化的前提下,实现对苹果叶片病害图像的有效识别。

技术研发人员：钟友闻,车文刚
受保护的技术使用者：昆明理工大学
技术研发日：
技术公布日：2024/1/13