申请/专利权人:杭州睿坤科技有限公司
申请日:2023-03-01
公开(公告)日:2024-01-05
公开(公告)号:CN117351471A
主分类号:G06V20/60
分类号:G06V20/60;G06V10/80;G06V10/44;G06V10/82;G06N3/0464;G06N3/08;G06V10/774
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.01.23#实质审查的生效;2024.01.05#公开
摘要:本发明涉及计算机视觉技术领域,具体为基于改进Yolov5的稻飞虱目标检测方法、系统、设备及介质。包括获取多张稻飞虱样本图像;对所获得的稻飞虱样本图像进行数据处理;在Yolov5网络模型的主干网络中引入CA协调注意力机制;使用可分离视觉转换器对Yolov5网络模型的主干网络进行改进;在Yolov5网络模型的特征融合网络中引入GAM全局注意力机制;利用训练数据集对所改进的Yolov5模型进行训练;将测试数据集输入改进的Yolov5模型框架中,获得检测结果。有效解决稻飞虱目标检测识别较小目标以及识别密集多目标精确度低的问题,提高对较小目标识别精确度以及提高密集多目标识别精确度,植保人员能够采集图像并上传,从而获得稻飞虱各虫态的精准识别与计数。
主权项:1.一种基于改进Yolov5的稻飞虱目标检测方法,其特征在于,包括以下步骤:S1:获取多张稻飞虱样本图像;S2:对所获得的稻飞虱样本图像进行数据处理,得到稻飞虱图像数据集,将稻飞虱图像数据集划分为训练数据集和测试数据集;S3:基于原始的Yolov5网络模型,在Yolov5网络模型的主干网络中引入CA协调注意力机制,CA协调注意力机制通过把空间位置信息嵌入到通道注意力中;S4:使用可分离视觉转换器对Yolov5网络模型的主干网络进行改进;S5:在Yolov5网络模型的特征融合网络中引入GAM全局注意力机制;S6:基于步骤S3、S4、S5的改进,获得改进的Yolov5模型,利用训练数据集对所改进的Yolov5模型进行训练,得到改进的Yolov5模型框架;将测试数据集中的稻飞虱图像输入改进的Yolov5模型框架中,获得该模型在测试数据集中的稻飞虱虫情检测结果。
全文数据:
权利要求:
百度查询: 杭州睿坤科技有限公司 基于改进Yolov5的稻飞虱目标检测方法、系统、设备及介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。