基于改進(jìn)YOLOv5的小麥穗目標(biāo)檢測(cè)模型

摘要：小麥穗的自動(dòng)檢測(cè)在小麥估產(chǎn)和育種方面具有較大科研價(jià)值，當(dāng)前小麥穗檢測(cè)方面仍存在模型復(fù)雜度較高、精度較低等問題。將深度學(xué)習(xí)技術(shù)應(yīng)用于小麥穗檢測(cè)，提出了基于改進(jìn)YOLOv5的小麥穗精確檢測(cè)模型。模型將YOLOv5主干網(wǎng)絡(luò)中的卷積模塊替換為Ghost卷積，實(shí)現(xiàn)模型輕量化；使用ACON激活函數(shù)替換默認(rèn)的SiLU激活函數(shù)，從而使激活函數(shù)更加靈活以擴(kuò)大設(shè)計(jì)空間；使用對(duì)所有IoU Loss增加n冪的Aipha-IoU Loss替換YOLOv5默認(rèn)的CloU Loas以提高模型前期收斂速度；在網(wǎng)絡(luò)中加入加權(quán)雙向特征金字塔（BiFPN），改進(jìn)的模型可實(shí)現(xiàn)參數(shù)量降低63.3%、計(jì)算量降低66.8%的情況下mAP僅降低2.17%，可滿足實(shí)際應(yīng)用和移動(dòng)端部署的要求。提出了使用解耦頭（Decouple Head）替換默認(rèn)YOLO Head，比官方Y(jié)OLOv5的mAP提高1.83%，證明了解耦頭可以提高模型精度。

關(guān)鍵詞：深度學(xué)習(xí)，目標(biāo)檢測(cè)；小麥穗檢測(cè)，輕量化模型；YOLO Head解耦頭

中圖分類號(hào)：S126 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1795（2023）03-0050-07

DOI：10.19998/j.cnki.2095-1795.2023.03.009

0引言

2022年聯(lián)合國(guó)糧食及農(nóng)業(yè)組織統(tǒng)計(jì)數(shù)據(jù)顯示，2020年小麥全球產(chǎn)量約7.6億t，是最重要的農(nóng)作物品種之一。隨著人口增長(zhǎng)，小麥增產(chǎn)壓力不斷增加，迫切需要從培育高產(chǎn)品種方面尋求突破。小麥育種的一個(gè)煩瑣但重要的環(huán)節(jié)是測(cè)量小麥的不同性狀，也被稱為表型分析。單位面積穗數(shù)是評(píng)價(jià)小麥?zhǔn)欠駷楦弋a(chǎn)品種的重要表型，是評(píng)估小麥產(chǎn)量的重要指標(biāo)之一。當(dāng)前，獲取該表型的工作仍需要大量人工，極大地制約了根據(jù)該表型篩選高產(chǎn)小麥品種的工作進(jìn)展。

基于常規(guī)計(jì)算機(jī)視覺和圖像處理方法檢測(cè)小麥穗的研究受制于環(huán)境因素給小麥穗圖像帶來的一些不利影響，包括刮風(fēng)和拍攝設(shè)備移動(dòng)導(dǎo)致的麥穗圖像模糊，以及環(huán)境光線過強(qiáng)或過弱導(dǎo)致的曝光過度或不足問題。小麥穗本身因素包括小麥穗顏色和形狀差異、重疊、方向不同等問題。目前部分基于深度學(xué)習(xí)技術(shù)的目標(biāo)檢測(cè)模型比較適合于小麥穗檢測(cè)，但檢測(cè)精度仍有待提高，并且由于模型參數(shù)量多、計(jì)算復(fù)雜度高，難以部署于移動(dòng)設(shè)備，影響在實(shí)際的高通量表型平臺(tái)上使用。

為了解決這些問題，本研究提出可部署于移動(dòng)設(shè)備的參數(shù)量較小的YOLOv51 G模型和精確度較高的YOLOv51-Decouple Head模型。通過使用不同的數(shù)據(jù)集訓(xùn)練模型，并進(jìn)行數(shù)據(jù)集擴(kuò)充提高樣本多樣性，提高模型的泛化能力。在保證小麥穗計(jì)數(shù)精度和效率的前提下可減少大量人工，有助于構(gòu)建高通量小麥表型監(jiān)測(cè)平臺(tái)，促進(jìn)小麥育種技術(shù)的發(fā)展和進(jìn)步。