首页分享一种基于改进YOLOv5s的牡丹花品种的检测方法

一种基于改进YOLOv5s的牡丹花品种的检测方法

来源：花匠小妙招时间：2025-07-31 16:38

本发明属于计算机视觉和智能农业，具体涉及一种基于改进yolov5s的牡丹花品种的检测方法。

背景技术：

1、在近年来，随着计算机视觉和目标检测技术的不断进步和成熟，我们见证了其在农业领域各个层面上的广泛应用，标志着农业生产向智能化转型的趋势愈加明显。其中目标检测算法yolo(you only look once)系列由于其检测精度和检测速度的优越性在农业得到了广泛的运用，包括果实检测、成熟度检测、病虫害检测等。yolov5，作为yolo系列中性能最稳定且推理速度较快的版本，广泛应用于农业中的多种检测任务。然而，由于牡丹花品种繁多且自然环境下遮挡问题严重，因此在牡丹花品种检测领域，尚未形成有效的目标检测技术体系。在文化领域，牡丹具有较高的观赏价值，但分类问题成为困扰人们的主要问题；在农业领域，牡丹花制品为种植户带来巨大的经济收益，为节省成本正在逐渐探索机器识别牡丹花品种并采摘。鉴于牡丹花品种的准确检测对于牡丹花的文化属性和农业属性的重要性，填补这一技术空白显得尤为迫切。

2、但是，现有模型对于牡丹花的品种检测存在有四个主要问题：

3、1、由于牡丹花品种繁多，缺乏相应的数据集，数据收集存在挑战；

4、2、自然环境下叶片与花朵，花朵与花朵会出现相互遮挡，导致识别精度低；

5、3、牡丹花识别过程中，低质量样本对模型造成影响大，影响边界框选择的准确性；

6、4、原模型的模型上采样过程中的弱感受野导致了牡丹花检测性能的下降。

技术实现思路

1、为了克服以上不足，本发明提供一种基于改进yolov5s的牡丹花品种的检测方法，该方法首先采集大量不同环境下、不同品种牡丹花的数据集，并在原模型基础上引入具有双通道注意力的transformer(biformer)，提升对遮挡问题的解决能力。同时采用内容感知特征重组(carafe)上采样方法，以弥补原采样过程中感受野的不足，并减少计算成本。使用focal-ciou替换原函数的损失函数，减少低质量样本对于模型的影响。

2、为了实现上述目的，本发明采用的技术方案为：

3、一种基于改进yolov5s的牡丹花品种的检测方法，其特征在于，具体步骤为：

4、s1、采集复杂环境下多个品种的牡丹花图像数据，数据增强后构建牡丹花种类的数据集支持模型的全面训练；

5、s2、采用yolov5s作为检测模型，在主干网络sppf层前加入注意力机制模块，并在neck层使用内容感知特征重组上采样得到改进后的yolov5s检测模型；

6、s3、将focal l1 loss和ciou融合后得到的focal-ciou作为边界框损失函数；

7、s4、将所述步骤s1中数据集中的训练集对改进后的yolov5s检测模型进行训练，得到权重文件后经由测试集进行测试验证模型泛化能力，并不断调整模型的超参数以获得性能最优的权重文件；

8、s5、将所述步骤s4得到最优权重文件输入改进后的yolov5s检测模型，对测试集进行测试并得到最终结果进行反馈。

9、进一步优化，所述牡丹花图像包括多种花期、多种光照条件以及多种遮挡程度下的牡丹花。

10、进一步优化，所述步骤s1中采集牡丹花图像数据的具体步骤如下：

11、s11、相机拍摄多种牡丹花的数据集照片作为研究的原始数据集，经过数据增强后，筛选优质样本构建数据集；

12、s12、对步骤s11中的部分数据集进行数据增强，筛选出适合模型训练的高质量图像样本；

13、s13、将牡丹花根据品种分为35类；

14、s14、通过图像标注软件labelme对步骤s12中的数据集进行标注；

15、s15、采用python代码将标注生成的文件转换为yolov5使用的对应数据格式的文件，并分为训练集、验证集和测试集。

16、进一步优化，所述步骤s2中注意力机制模块为具有双通道注意力的biformer模块。

17、进一步优化，所述步骤s3中focal-ciou为用focal调整因子来重新加权ciou损失，使用iou的值重新加权ciou损失函数，公式如下：

18、lfocal-ciou＝iouγlciou

19、其中，γ是超参数。

20、本发明的有益效果为：

21、1、利用biformer注意力机制，有效提高了模型对于遮挡场景和小目标的检测能力，不仅在于解决了牡丹花品种繁多、叶片与花朵相互遮挡等挑战，更在于通过引入新的注意力机制，优化了模型对复杂场景的处理能力；

22、2、引入carafe上采样技术，有力增强了感受野聚合上下文信息的能力，并在减小计算量的同时提升了检测精度，在处理牡丹花品种检测中的复杂场景时尤为显著，为模型提供了更为丰富的视觉信息；

23、3、运用focal-ciou损失函数，针对高质量样本优化模型训练过程，进一步提升了检测精度和召回率，并且通过这一损失函数的引入，模型更加专注于优化对关键样本的识别能力，从而提高了整体性能；

24、4、本方法在牡丹花品种检测上显著优于传统yolov5，精确度提升3.4％，召回率提高4.4％，map@0.5提升4.5％，本模型能够有效的检测牡丹花的品种，填补了牡丹花分类计算机视觉检测方向的空白，并为牡丹花文化观赏分类和农业种植的自动化管理提供技术支持。

技术特征：

1.一种基于改进yolov5s的牡丹花品种的检测方法，其特征在于，具体步骤为：

2.如权利要求1所述的一种基于改进yolov5s的牡丹花品种的检测方法，其特征在于，所述牡丹花图像包括多种花期、多种光照条件以及多种遮挡程度下的牡丹花。

3.如权利要求1所述的一种基于改进yolov5s的牡丹花品种的检测方法，其特征在于，所述步骤s1中采集牡丹花图像数据的具体步骤如下：

4.如权利要求1所述的一种基于改进yolov5s的牡丹花品种的检测方法，其特征在于，所述步骤s2中注意力机制模块为具有双通道注意力的biformer模块。

5.如权利要求1所述的一种基于改进yolov5s的牡丹花品种的检测方法，其特征在于，所述步骤s3中focal-ciou为用focal调整因子来重新加权ciou损失，使用iou的值重新加权ciou损失函数，公式如下：

技术总结
一种基于改进YOLOv5s的牡丹花品种的检测方法，通过对YOLOv5s模型进行改进，引入了BiFormer以增强在遮挡情况和特征近似情况下的牡丹花分类检测能力。同时，将原始模型的上采样模块替换为内容感知特征重组上采样方法，以增强感受野并提升特征图的质量。此外，引入了Focal‑CIoU损失函数，结合Focal loss的理念运用在CIoU损失函数上，以增强高质量样本在模型优化中的作用，从而提高对牡丹花品种的检测精度。本发明具有高检测精度和强大的鲁棒性，能够有效应对自然环境下的牡丹花分类任务，为牡丹花的文化欣赏和农业生产提供了重要的技术支持。

技术研发人员：冀保峰,洪小帅,陶发展,张冀,王楠,张高远,樊会涛,张平,陈韵然,陈洪涛,陈嵩,王建华,曾升,李浩宇,赵敬铭
受保护的技术使用者：河南科技大学
技术研发日：
技术公布日：2024/8/13