(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 202210261258.1 (22)申请日 2022.03.16 (71)申请人 华南农业大 学 地址 510642 广东省广州市天河区五山路 483号 (72)发明人 邓小玲　胡宇琦　杨瑞帆　陆健强　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 李冉 (51)Int.Cl. G06V 20/68(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率 检测方法 (57)摘要 本发明公开了一种基于YOLOv5网络的荔枝 蒂蛀虫羽化率检测方法， 包括： 采集大量包含荔 枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧的图像， 构建数 据集； 所述图像包含成虫和/或虫茧的标注； 所述 数据集根据预设比例分为训练集和验证集； 对训 练集进行聚类分析， 确定目标值分布； 构建改进 的YOLOv5模型； 进行迁移训练， 采用验证集对其 进行验证， 得到训练权重w的检测模型； 将待检测 的图像输入到权重为w的检测模型中， 根据权重 识别蒂蛀虫的生长阶段及数量； 计算出蒂蛀虫羽 化率。 该方法可对待识别图像中所包含的成虫、 虫茧及对应的数量进行准确的识别， 进而可计算 得出蒂蛀虫羽化率。 有效减少了人力物力消耗， 提高了检测准确率。 权利要求书2页 说明书6页 附图3页 CN 114612898 A 2022.06.10 CN 114612898 A 1.一种基于 YOLOv5网络的荔枝蒂蛀虫羽化 率检测方法， 其特 征在于， 包括： 采集大量包含荔枝蒂蛀虫成虫和荔枝蒂蛀虫虫茧的图像， 构建数据集； 所述图像包含 成虫和/或虫茧的标注； 所述数据集 根据预设比例分为训练集和验证集； 对所述训练集进行聚类分析， 确定目标值分布； 构建改进的YOLOv5模型； 以所述训练集的样本 图像作为输入， 以对应的样本 图像中成虫和/或虫茧的识别结果 作为输出， 对 所述改进的Y OLOv5模型进行迁移训练， 采用验证集对其进 行验证， 得到训练权 重w的检测模型； 将待检测的图像输入到权重为w的检测模型中， 根据权重识别蒂蛀虫的生长阶段及数 量； 根据蒂蛀虫的生长阶段 所包含的成虫、 虫茧及对应的数量， 计算出蒂蛀虫羽化 率。 2.根据权利要求1所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法， 其特征 在于： 对所述训练集进行聚类分析， 确定目标值分布； 包括： 将所述训练集利用k ‑mean++算法进行聚类分析， 根据初始聚类中心的选取原则选取K 个初始聚类中心； 计算IoU大小， 生成K个目标anc hor值。 3.根据权利要求1所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法， 其特征 在于： 构建改进的YOLOv5模型， 包括： 构建YOLOv5模型， 所述YOLOv5模型包括主干网络， 颈部 网络与预测网络； 所述主干 网络 包括Focus模块、 CBS模块、 C3模块和SPPF模块； 所述颈部网络包括CBS模块、 C3模块和PaNet 模块； 所述预测网络包含检测 头； 所述主干网络与颈部网络的C3模块均由支路1与支路2组 成， 支路1包含 卷积层、 批归一层与SiLU激活函数， 支路2包含 卷积层、 批归一层、 SiLU激活函 数与若干个Bot tleneck结构； 修改所述颈 部网络中的部分C 3模块， 在末尾加入SE模块； 修改所述主干网络、 颈 部网络与预测网络， 增 加一个预测网络 输出。 4.根据权利要求3所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法， 其特征 在于： 所述SE模块的运行 过程包括： 根据模型通道之间的相互依赖性， 对于输入特征图x， SE模块首先对x进行压缩操作， 使 用全局池化层与全连接结构， 将 H×W×C的输入转化为 1×1×C大小的特征图， H、 W、 C分别为 输入特征图x的高、 宽以及通道数， 作为 通道级的全局特 征z， z的第c个元 素计算公式如下： 式中： xc为x第c个通道的特征， c∈[1,2,...C]， H、 W为xc的高与宽， xc(i,j)为xc上纵坐标 为i、 横坐标为j处的特 征值； 采用预设运算方式来抓取channel之间的关系， 所述预设运算方式包含两个全连接层 的bottleneck结构； 将学习到的各个c hannel的激活值s乘以特 征图x上的原 始特征。 5.根据权利要求4所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法， 其特征权　利　要　求　书 1/2 页 2 CN 114612898 A 2在于： 修改所述主干网络、 颈 部网络与预测网络， 增 加一个预测网络 输出； 包括： 在所述主干网络中第六层后增 加一输出层数为768的卷积层与C 3层； 在多尺度融合网络PANet中， 增加一个输出尺度， 原本3个尺度为8， 16， 32； 现4个尺度为 8， 16， 32， 64； 并增 加对应检测头。 6.根据权利要求4所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法， 其特征 在于： 对所述改进的YOLOv5模型进行迁移训练， 采用验证集对其进行验证， 得到训练权重w 的检测模型； 包括： 采用GIOU_loss作为bounding  box损失函数， BECLogits作为ob jectness  score损失函 数， BCEclsloss作为clas s probability score损失函数； 三个损失函数值相加作为总损失函数值， 当模型损 失曲线波动接近于0时， 停止训练， 采用验证集对其进行验证； 当验证结果满足预设条件时， 获得 此时对应的训练权 重w， 否则继续训练。 7.根据权利要求6所述的一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法， 其特征 在于： 所述GIOU_l oss计算公式如下： 式中， Ac为包含预测bbox(Bp)与ground  truth bbox(Bg)的最小box(Bc)的面积， 公式如 下： 式中， 为边框Bc的左上角与右下角坐标； 此外， 式中IoU计算公式为： 其中， Ap为Bp面积， 同理， Ag为Bp面积， I为两个bbox相交部分面积， 计算公式如下： 为I区域的左上角与右下角坐标。权　利　要　求　书 2/2 页 3 CN 114612898 A 3