本申请实施例涉及目标检测识别,尤其涉及一种基于改进的yolov5s模型的平菇成熟度检测方法及装置、电子设备、存储介质。
背景技术:
1、在平菇生产过程中,平菇成熟度通常通过人工观察和经验判断来确定,需要耗费大量的人力和时间。并且由于菇房中为保证平菇的正常生长,需要保持较高的湿度,这样的潮湿环境对工作人员来说并不友好,因此,目前急需一种平菇成熟度检测方法,自动对平菇的成熟度进行检测。
技术实现思路
1、有鉴于此,本申请实施例提供一种平菇成熟度检测方法及装置、电子设备、存储介质,至少能解决前述的技术问题。
2、根据本申请实施例的第一方面,提供一种平菇成熟度检测方法,所述方法包括:采集平菇菇房中菌棒架上不同成熟度的平菇图像,通过图像处理将采集到的图像制作为平菇成熟度检测数据集;建立改进的yolov5s的平菇成熟度检测模型,将yolov5模型的cspdarknet53主干网络替换为mobilenetv3轻量化网络;在yolov5模型的neck层中引入eca注意力机制;采用eiou损失函数替换yolov5s模型中的原损失函数;将所述平菇成熟度检测数据集输入到改进后的yolov5s模型中进行训练;根据训练结果对所述训练后的改进的yolov5s模型进行性能评估;根据评估结果对所述改进的yolov5s模型中的参数进行调整,确定最佳训练权重文件;将所述训练参数文件加载至改进的yolov5s模型中,对平菇成熟度进行检测。
3、在一些示例性的实施例中,所述采集平菇菇房中菌棒架上不同成熟度的平菇图像包括:采集平菇菇房中菌棒架上成熟、未成熟和未长出三种不同成熟度的平菇图像。
4、在一些示例性的实施例中,所述通过图像处理将采集到的图像制作成平菇成熟度检测数据集包括:对采集到的不同成熟度的平菇图像进行随机亮度增强、随机亮度变暗、模糊、随机角度旋转进行扩充处理,将处理后的图像制作成平菇成熟度检测数据集。
5、在一些示例性的实施例中,所述mobilenetv3轻量化网络采用深度可分离卷积和轻量化设计,具有较低的计算复杂度,在相同的存储空间和计算资源下,容纳更多的参数和层;
6、所述eca注意力机制在通道维度上引入注意力模块,在计算通道注意力权重时,考虑了全局上下文信息,自适应地调整通道的权重,使得模型能够在整个特征图上进行全局的特征交互和重要性调整;
7、所述eiou损失函数考虑目标框的中心点位置和尺度信息,更好地适应目标框的变化和形变。
8、在一些示例性的实施例中,所述对所述训练后的改进的yolov5s模型进行性能评估包括:针对改进的yolov5s模型的使用参数量、计算量、检测精度和检测速度等对模型进行评估。
9、根据本申请实施例的第二方面,提供一种平菇成熟度检测装置,所述装置包括:图像采集处理单元,模型改进单元,训练单元,评估单元,参数调整单元,检测单元,其中,
10、所述图像采集处理单元,用于采集平菇菇房中菌棒架上不同成熟度的平菇图像,通过图像处理将采集到的图像制作为平菇成熟度检测数据集;
11、所述模型改进单元,用于建立改进的yolov5s的平菇成熟度检测模型,将yolov5模型的cspdarknet53主干网络替换为mobilenetv3轻量化网络;在yolov5模型的neck层中引入eca注意力机制;采用eiou损失函数替换yolov5s模型中的原损失函数;
12、所述训练单元,用于将所述平菇成熟度检测数据集输入到改进后的yolov5s模型中进行训练;
13、所诉评估单元,用于根据训练结果对所述训练后的改进的yolov5s模型进行性能评估;
14、所述参数调整单元,用于根据评估结果对所述改进的yolov5s模型中的参数进行调整,确定最佳训练权重文件;
15、所述检测单元,用于将所述训练参数文件加载至改进的yolov5s模型中,对平菇成熟度进行检测。
16、在一些示例性的实施例中,所述mobilenetv3轻量化网络采用深度可分离卷积和轻量化设计,具有较低的计算复杂度,在相同的存储空间和计算资源下,容纳更多的参数和层;
17、所述eca注意力机制在通道维度上引入注意力模块,在计算通道注意力权重时,考虑了全局上下文信息,自适应地调整通道的权重,使得模型能够在整个特征图上进行全局的特征交互和重要性调整;
18、所述eiou损失函数考虑目标框的中心点位置和尺度信息,更好地适应目标框的变化和形变。
19、在一些示例性的实施例中,用于:针对改进的yolov5s模型的使用参数量、计算量、检测精度和检测速度等对模型进行评估。
20、根据本申请实施例的第三方面,提供一种计算机可读存储介质一种电子设备,包括处理器和用于存储处理器可执行指令的存储器,所述处理器被配置为在调用存储器中的可执行指令时,能够执行上述的平菇成熟度检测方法的步骤。
21、根据本申请实施例的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述平菇成熟度检测方法的步骤。
22、本申请实施例中,通过将轻量化mobilenetv3网络代替yolov5s主干网络,使用深度可分离卷积、通道注意力机制和非线性激活函数等技术来提高模型的表达能力和感受野;然后在neck层中添加eca注意力机制,eca注意力机制的参数量相对较小,不会给模型带来过多的计算和存储负担;再用eiou损失函数代替原损失函数,这有助于提高模型的综合性能,使得模型在目标检测任务中更加准确和稳定,本申请所述平菇成熟度检测方法,可以计算资源受限的设备上实现目标检测,并在复杂场景下提供准确的检测结果。
1.一种平菇成熟度检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述采集平菇菇房中菌棒架上不同成熟度的平菇图像包括:采集平菇菇房中菌棒架上成熟、未成熟和未长出三种不同成熟度的平菇图像。
3.根据权利要求1所述的方法,其特征在于,所述通过图像处理将采集到的图像制作成平菇成熟度检测数据集包括:对采集到的不同成熟度的平菇图像进行随机亮度增强、随机亮度变暗、模糊、随机角度旋转进行扩充处理,将处理后的图像制作成平菇成熟度检测数据集。
4.根据权利要求1所述的方法,其特征在于,
5.根据权利要求1所述的方法,其特征在于,所述对所述训练后的改进的yolov5s模型进行性能评估包括:针对改进的yolov5s模型的使用参数量、计算量、检测精度和检测速度等对模型进行评估。
6.一种平菇成熟度检测装置,其特征在于,所述装置包括:图像采集处理单元,模型改进单元,训练单元,评估单元,参数调整单元,检测单元,其中,
7.根据权利要求6所述的装置,其特征在于:
8.根据权利要求6所述的装置,其特征在于所述评估单元,用于:针对改进的yolov5s模型的使用参数量、计算量、检测精度和检测速度等对模型进行评估。
9.一种电子设备,包括处理器和用于存储处理器可执行指令的存储器,其特征在于,所述处理器被配置为在调用存储器中的可执行指令时,能够执行如权利要求1至5任一项所述的平菇成熟度检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一项所述平菇成熟度检测方法的步骤。