CN119418212A 一种轻量级Yolov10的无人机遥感麦穗实时检测方法 （安徽大学）

号一种轻量级Yolov10的无人机遥感麦穗实时括以下步骤：轻量级Yolov10的无人机遥感麦穗实时检测数据集处理；构建轻量级Yolov10的无人机遥感麦穗实时检测模型；轻量级Yolov10的无人机遥感麦穗实时检测模型的训练；轻量级Yolov10的无人机遥感麦穗实时检测模型的验211）轻量级Yolov10的无人机遥感麦穗实时检测数据集处理：收集无人机拍摄麦田图积GhostConv构建快速卷积模块FCL；在Yolov10网络的头部构建检测无人机图像中小目标麦穗的小尺度检测层；在Yolov10的主干部分构建用以强化目标与背景分离能力的增强注化更新模型参数，迭代训练200次，保存性能最佳的模型参数用于无人机麦穗检测结果验2.根据权利要求1所述的一种轻量级Yolov1021）轻量级Yolov10的无人机遥感麦穗实时检测模型分为三个阶段：第一阶段利用三阶段在Yolov10网络的主干部分构建增强注意力模223）对特征映射进行一次卷积核大小为3的卷积操作，一次批量归一化操作和一次224）利用以上步骤获得的轻量级特征提取器构建快速卷积模块FCL，FCL的输入数据为原始图像经过两次Yolov10网络自带的特征提取卷积层CBS后的输出特征图，CBS包含两Yolov10网络颈部位置第二个FCL模块的输出特征经过一次上采样，与Yolov10网络头部位3241）EMA模块的输入为Yolov10网络中多尺度信息融合池化模块SPPF的输出特征图，242）EMA模块包括四个Yolov10网络自带的特征提取卷积层CBS和一个多头自注意力243）多头自注意力模块首先将输入二维特征图展平为一维向量，将该向量进行拆分,其中MuliHead0为多头注意力得分，为查询向量、K为键向量、V为值向量，247）对模块的输入二维特征X和多头注意力得:,向量转换为概率分布，即每个输出值都在[0,1]范围内，且所有输出值的总和为1，的表达式为：,其中，xi是输入向量中的第i个分量，是输入向量中的第j个分量n是输入向量的长4卷积层CBS操作和一次残差连接；与通道分割得到的第二部分特征图进行拼接再执行一次至此完成三个阶段Yolov10模型的优化，得到优化后的轻量级Yo3.根据权利要求1所述的一种轻量级Yolov,322）置信度损失用于衡量每个预测的边界框是否包含目标物体，置信度损失使用,;达到设定轮数200次，若是则得到训练好的轻量级Yolov10的无人机遥感麦穗实时检测模5[0001]本发明涉及农业无人机遥感影像处理技术领域，具体来说是一种轻量级Yolov10和精度。其中Yolov10提出的一致性双重分配策略避免了非极大值抑制在推理过程中消除[0006]本发明旨在针对现有无人机遥感麦穗检测算法存在的检测精度低和速度慢的问6影卷积GhostConv构建快速卷积模块FCL；在Yolov10网络的头部构建检测无人机图像中小目标麦穗的小尺度检测层；在Yolov10的主干部分构建用以强化目标与背景分离能力的增[0013]所述轻量级Yolov10的无人机遥感麦穗实时检测模型的数据集处理包括以下步方差变换增强的预处理后，剪裁成大小为640×640的RGB图像，并使用注释标记工具7据为原始图像经过两次Yolov10网络自带的特征提取卷积层CBS后的输出特征图，CBS包含80×80、160×160通过增加一个小尺度检测头（160×160有利于对无人机拍摄图像中[0027]321）将Yolov10网络颈部位置的第二个FCL模块的输出特征经过一次上采样，与Yolov10网络头部位置的第一个FCL模块的输出特征进行拼接，之后经过一个Yolov10网络块EnhancedMulti_Attention[0029]331）EMA模块的输入数据为Yolov10网络中多尺度信息融合池化模块SPPF的输出该向量进行拆分处理得到查询Q、键K和值V三个向量，通过线性变换分别生成h组Q（Q08提取卷积层CBS操作和一次残差连接；与通道分割得到的第二部分特征图进行拼接再执行[0042]41）将预处理后得到的无人机拍摄麦田数据集中训练集数据输入优化后的bm为预测框的中心点，ba为真实框的中心点，表示预测框；9的麦穗位置及数量，为智慧农业中的麦穗检测和小麦产量估计提供了一种可靠的技术路麦穗的学习样本多样性，从而帮助模型更好地学习到麦穗在不同时期及环境下的不同形加模型识别精度；EMA模块还可以避免模型主干部分在多次卷积操作中可能出现的一些重[0072]构建FCL模块用于Yolov10模型的主干和颈部位置，用于轻量化提取输入特征信[0073]在Yolov10模型的颈部部分构造EMA模块，EMA模块的核心思想是增强多尺度特征[0078]对模块的输入二维特征X和多头注意力得分进行加权融合，生成增强后的特征图:实数向量转换为概率分布，即每个输出值都在[0,1]范围内，且所有输出值的总和为1，的表达式为：xi是输入向量中的第i个分量，是输入向量中的第j个分量n是输入向量[0083]EMA模块的构建通过执行以下步骤：执行一次特征提取卷积层CBS操作得到特征图；对特征图进行通道分割，将第一部分特征图通过多头自注意力模块获得增强特征图[0084]在Yolov10模型头部原有的三个不同尺度检测头的基础上，增加一个小尺度检测性能，在目标检测应用中能够帮助模型在不同尺度、不同视角下更好地识别和定位物体，[0087]（2）定位损失计算模型预测的边界框与真实边界框之间的差异，使用CIOU损失bma为预