CN113705478B 一种基于改进YOLOv5的红树林单木目标检测方法 （中国林业科学研究院资源信息研究所）

WO2021139069A1,2021.07.15一种基于改进YOLOv5的红树林单木目标检一种基于改进YOLOv5的红树林单木目标检以及改进YOLOv5算法的幼小红树林单木识别技ChannelAttention对CSPDarknet53骨干网同时，增强特征表达能力，并在SPP模块引入2利用开源软件LabelImg在选取的无人机选择YOLOv5为基础目标检测模型，依据目标木分布密集且尺寸较小的化和改进，使用有效通道注意力机制EfficientChannelAttention对CSPDarknet53骨干步骤2中有效通道注意力机制(EfficientChannelAttention)模块通过大小为k的快保持不变的条件下输入特征图像χ,所有通道经过全局平均池化之后，ECA模块利用一个可以权重共享的一维卷积来学习特征，并在学习特征的时候涉及到每一个通道与之k个近邻步骤3中针对目标较小且像素过低的新造红树林幼苗，利用最大值池化和平均池化进2.根据权利要求1所述的一种基于改进YOLOv5的红树林单木目标检测方法，其特征在步骤2、在YOLOv5的CSPDarknet53特征提取网络中引入有效通道注意力机制3(EfficientChannelAttention)模块，对YOLOv5网络进行改进，改进后模步骤4、将得到的无人机红树林单木数据集图像输入到Yolov5特征提取网络进行特征3.根据权利要求2所述的一种基于改进YOLOv5的红树林单木目标检测方法，其特征在于步骤1中为保证图像中各个检测目标的完整，使用LabelImg开源软件对无人机图像中红4.根据权利要求2所述的一种基于改进YOLOv5的红树林单木目标检测方法，其特征在统一缩放到一个标准尺寸进行Focus切片操作，而后输入到Yolov5特征提取网络进行特征5.根据权利要求2所述的一种基于改进YOLOv5的红树林单木目标检测方法，其特征在于步骤6中目标检测中通常用平均精准度AP(Averageprecision)和平均精准度的均值mAP面积交并比IoU：通过计算模型预测目标的矩形区域与验证集中目标标定的矩形区域精确率Precision:表示模型检测出正确的目标数占总目标数召回率(Recall):召回率表示模型已检测出的目标数量占总目标数量的比例，体现了4AP=I;P(R)dR,(6)5但是SSD算法(SingleShotMultiBoxDetector，是WeiLiu在ECCV2016上提出的一种目[0004]目前主流的深度学习目标检测算法有双阶段和单阶段之分。区别于R-CNN系列为[0005]基于目标检测可自动学习特征、速度快效率高等优势，将该系列算法最新的YOLOv5更好地应用于红树林单木检测中以实现对红树林幼苗状况的智能监测是本发明的6[0006]本发明旨在基于深度学习方法提出一种基于改进YOLOv5的红树林单木目标检测[0007]针对无人机影像中红树林单木目标较小且分布密集，对其检测时自动化程度不行优化和改进，使用有效通道注意力机制EfficientChannelAttention对CSPDarknet53[0013]步骤2、在YOLOv5的CSPDarknet53特征提取网络中引入有效通道注意力机制(EfficientChannelAttention)，对YOLOv5网络进行改进，改进后模型重新命名为[0015]步骤4、将得到的无人机红树林单木数据集图像输入到Yolov5特征提取网络进行[0018]本发明的有效注意力通道通过不降维和跨通道信息交互作用来降低模型的复杂7及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，语和科学术语)具有与所属领域中的普通技术人员的一般理8[0049]步骤2、在YOLOv5的CSPDarknet53特征提取网络中引入有效通道注意力机制(EfficientChannelAttention)，对YOLOv5网络进行改进，改进后模型重新命名为[0051]步骤4、将得到的无人机红树林单木数据集图像输入到Yolov5特征提取网络进行[0054]步骤1中为保证图像中各个检测目标的完整，使用较为常用的LabelImg开源软件对无人机图像中红树林单木幼苗依次进行标注，标注内容为新造红树林矩形包围框坐标，存储为XML文本文件用于YOLOv5模型的[0060]YOLOv5的输入端包含了训练数据集图像的预处理阶段，在输入端沿用YOLOv4的[0065]SPP模块如C框所示，主要为池化方式，后续的改进主要将原来的最大池化改为9[0067]F框为Resunint模块是由两个CBL模块组成的残差组件，会根据具体需求决定该[0068]步骤2中EfficientChannelAttention最突出的特点是避免降维和具有跨通道数相关函数自适应来确定。在维度保持不变的条件下输入特征图像χ,所有通道经过全局平时候涉及到每一个通道与之k个近邻来捕获跨通道交互。k表示快速一维卷积的内核大小，[0071]步骤3中针对本发明中目标较小且像素过低的新造红树林幼苗，利用最大值池化化操作，保留更多细节特征信息，即在激活特征图的池化区域内使用softmax方式实现池[0076]权重wi能够保证重要特征的传递，区域R内的特征值在反向传递时都至少会有预[0079]步骤4中在进行Yolov5特征提取网络进行特征提取之前，会将数据进行mosaic增[0080]步骤6中目标检测中通常用平均精准度AP(Averageprecision)和平均精准度的[0084]召回率(Recall):召回率表示模型已检测出的目标数量占总目标数量的比例，体[0088]由于精确率与召回率受置信度的影响，若只采用精确率与召回率来评价模型性[0092]鉴于湛江红树林自然保护区新造红树林特殊的地理位置利用无人机以120米航高，通过飞行任务区多次断点续飞数据采集共获得2348张无人机图影像分割为512×512像素的图片597张，使用较为常用的LabelImg开源软件对无人机图像大多数占图片宽度的25目标的高度大多数占14％。大约标注3万棵目标树，标明均基于PyTorch深度学习框架构建网络模型，开发环境为PyTorch1.4，cuda10.1，[0096]在YOLOv5的CSPDarknet53特征提取网络中引入有效通道注意力机制(Efficient[0099]损失函数作为评价模型训练优劣的标准之一，可以看出改进后的优化模型YOLOv5-ECA明显优于原模型YOLOv5，相同的训练轮数下YOLOv5-ECA有更低的损失函数值，参数和结果参数均相对稳定，突变的波动起伏较小，平稳地趋于收敛，结果参数均高于