(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211378135.2 (22)申请日 2022.11.04 (71)申请人 华南农业大 学 地址 510640 广东省广州市天河区五山路 483号 (72)发明人 龙拥兵　梁俊涛　梁长江　周明　 施震渺　汤新宇　李松浩　姚志杰　 徐海涛　邓海东　兰玉彬　 (74)专利代理 机构 佛山市君创知识产权代理事 务所(普通 合伙) 44675 专利代理师 张燕玲 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/62(2017.01) G06V 10/80(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进型YOLOV5算法的荔枝晚秋梢 检测方法及处 理终端 (57)摘要 本发明公开了一种基于改进型YOLOV5算法 的荔枝晚秋梢检测方法， 该方法包括： 获取荔枝 树晚秋梢的遥感图像； 建立改进型YOL Ov5网络模 型， 具体包括:通过现有的遥感图像数据集对 YOLOv5的四种网络(s、 m、 l、 x)进行训练选 择最优 网络； 在最优网络上添加针对小目标设计的预选 框和检测层， 在Neck部添加CBAM注意力机制， 使 用Swi n‑Transformer替换Neck部的Bott  l  eneckCSP层， 使用B  I FPN替换FPN特征融合金字 塔和使用C  IOU替换G  IOU作为计算边界框回归 的损失函数； 通过改进型YOL Ov5网络模型 获取遥 感图像中荔枝树晚秋梢的检测结果。 本发明提出 一种基于改进型YOLOV5算法的荔枝晚秋梢检测 方法及处理终端， 解决了晚秋梢难以检测， 原 YOLOV5算法的网络中大量卷积操作等会丢失目 标的特征的技术问题。 权利要求书3页 说明书7页 附图7页 CN 115546195 A 2022.12.30 CN 115546195 A 1.一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法， 其特 征在于， 所述方法包括： 获取荔枝树晚秋梢的遥感图像； 建立改进型YOLOv5网络模型， 所述建立改进型YOLOv5网络模型具体包括:通过现有的 遥感图像数据集对YOLOv5的四种网络(s、 m、 l、 x)进 行训练， 选择最优网络； 在最优网络上添 加针对小目标设计的预选框和检测层， 在Neck部添加CBAM注意力机制， 使用Swin ‑ Transformer替换Neck部的BottleneckCSP层， 使用BIFPN替换FPN特征融合金字塔和使用 CIOU替换GIOU作为计算 边界框回归的损失函数； 通过改进型YOLOV5网络模型获取遥感图像中荔枝树晚秋梢的检测结果。 2.根据权利要求1所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法， 其特征 在于， 所述通过现有的遥感图像数据集对YOLOV5的四种网络(s、 m、 l、 x)进行训练， 选择最优 网络， 包括： 通过现有的遥感图像数据集对YOLOV5的四种网络(s、 m、 l、 x)进行训练， 对比检测精度 与检测速度和模型大小选择s作为改进的基础网络， 在s的基础上对网络进行添加和替换的 改进措施。 3.根据权利要求2所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法， 其特征 在于， 所述对比检测精度与检测速度和模型大小选择s作为改进的基础网络， 具体包括： 使 用检测精度(AP)、 模型大小和检测速度(每秒检测的图像数FPS)进行模型评估， 查准率(P) 是指对于所有预测为阳性的样本， 有多大比率是真阳性， 召回率(R)是指对于所有阳性样 本， 有多大比率被正确预测为阳性， 对于AP是指PR(精密召回)曲线的面积， 具体计算公式见 公式： TP:正确的阳性， 说明预测是 阳性， 而且预测对了， 那么实际也是正例； TN:正确的阴性， 说明预测是 阴性， 而且预测对了， 那么实际也是负例， FP:假阳性， 说明预测是 阳性， 预测错了， 所以实际是负例， FN:假阴性， 说明预测是 阴性， 预测错了， 所以实际是正例。 4.根据权利要求1所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法， 其特征 在于， 所述在最优网络上 添加针对小目标设计的预选 框和检测层， 具体包括： 在YOLOv5s的Head部增 加新的锚点检测框[5,6， 8,14,15,1 1]和一个新的检测层。 5.根据权利要求1所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法， 其特征 在于， 所述在Neck部添加CBAM注意力机制， 具体包括： 给定一个中间特征图F∈RC*H*W作为输入， CBAM的运算过程总体分为两部分， 对输入按通 道进行全局 最大值池化和均值池化， 将池化后的两个一维向量送入全连接层运算后相加， 生成一维通道注意力MC∈RC*1*1， 再将通道注意力与输入元素相乘， 获得通道注意力调整后 的特征图F'； 将调整后的特征图F'按空间进行全局最大值池化和均值池化， 将池化生成的两个二维权　利　要　求　书 1/3 页 2 CN 115546195 A 2向量拼接后进行卷积操作， 最终生成二维空间注意力MS∈R1*H*W， 再将空间注意力与F'按元 素相乘， CBAM生成注意力过程可描述 为： F’＝MC(F)o×F， F”＝MS(F’)o×F’。 6.根据权利要求1所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法， 其特征 在于， 所述将Swin ‑Transformer代替BottleneckCSP层、 使用BIFPN代替FPN特征融合金字 塔， 具体包括： 当现有的遥感图像数据集输入进Transformer中时， 需要先通过一个 Embedding层将现有的遥感图像数据集划分成一堆带有位置信息的Patches， 在 进行线性变 化后传到 Multi‑Head Attention和MLP层， 再 经过Encoder编码层 传递到网络的下一层； 使用BIFPN特征融合金字塔替换连接层中的FPN特征融合金字塔， BIFPN将自顶向下的 路径和自底向上的路径视为一个特征网络层， 并多次重用同一层进行更高级别的特征融 合， 将荔枝晚秋梢浅层信息与上采样的结果 通过高效的特 征融合方式相连接 。 7.根据权利要求1所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法， 其特征 在于， CIOU替换GIOU作为 边界框损失函数， 具体包括： 使用CIOU替代GIOU作为计算边界框回归的损失函数， 通过将真实框与预测框间的关 系、 重叠率及惩罚因子均考虑 在内， 使得目标边框回归更加快速稳定； CIOU公式： 其中， ρ2(b,bgt)即预测框与真实框中心点之间的欧式距离d， c表示 同时包含真实框与 预测框最小闭包矩形框的对角线距离； 惩罚项α v中α 的公式： 惩罚项α v中v的公式: 其中wgt表示真实框的宽， hgt表示真实框的高， w表示预测框的宽， h表示预测框的高； CIOU在回归时l oss的计算公式： 目标框与预测框重合时， CIOU值不相同； c值相同时， 通过目标框与预测框中心点的欧 式距离与对角线的比值d， 度量两者 位置关系， 使损失函数能收敛。 8.根据权利要求1所述的一种基于改进型YOLOV5算法的荔枝晚秋梢检测方法， 其特征 在于， 所述建立改进型YOLOv5网络模型， 之后还 包括： 通过知识蒸馏将改进型YOLOv5网络模型进行轻量化处理， 在牺牲很小的检测精度的情 况下大幅度缩 减模型的大小。 9.一种处理终端， 其特征在于， 包括处理器以及用于存储处理器可执行程序的存储器， 所述处理器执行存储器存储的程序时， 所述处理终端 执行如权利要求 1至8中任一项 所述的权　利　要　求　书 2/3 页 3 CN 115546195 A 3