基于改进YOLOv5的林业原木视觉识别方法

本发明属于机器视觉，具体涉及一种基于改进yolov5的林业原木视觉识别方法。

背景技术：

1、传统的林业产业链涵盖采伐、集材、运输、检尺测量、造材加工等多个上游环节，长期以来，这些环节高度依赖人工操作：伐木工人在复杂林地环境中进行采伐作业，面临树木倒塌、机械伤害等重大安全风险；检尺员需要手工测量每根原木的直径、长度和缺陷，劳动强度大且效率低下；造材决策依赖于个人经验，难以实现木材利用率的最优化。随着劳动力成本持续上升和安全生产要求的日趋严格，林业产业的自动化转型已成为行业发展的必然趋势。

2、在这一转型过程中，“视觉”能力是核心瓶颈。要实现采伐、搬运、测量等环节的自动化，首先需要机器能够准确地"看清并理解"原木——即从摄像头采集的图像中精确识别原木的位置、轮廓、表面缺陷以及各类加工特征，然而，这一任务面临着诸多技术挑战：原木表面纹理复杂多变、自然光照条件不可控、目标尺度差异大、背景干扰严重。同时，林业领域缺乏大规模公开的标注数据集，使得基于深度学习的视觉方法在该领域的应用受到制约。

3、当前主流的目标检测算法主要分为两大类：①两阶段检测算法（two-stage），以faster r-cnn系列为代表。该类算法首先生成候选区域（region proposal），然后对每个候选区域进行分类和回归，虽然检测精度较高，但存在计算量大、推理速度慢的固有缺陷，难以满足实时检测需求；②单阶段检测算法（one-stage），以yolo（you only look once）系列和ssd（single shot multibox detector）为代表。该类算法直接在图像上进行密集采样和预测，无需候选区域生成步骤，显著提升了推理速度。其中，yolo系列算法经过多个版本的迭代发展，在检测速度和精度之间取得了优异的平衡，已经成为工业界应用最为广泛的目标检测框架之一。

4、yolo算法自2016年提出以来，经历了yolov3、yolov4、yolov5、yolov6、yolov8等多个版本的演进，在实际部署中，yolov5具有以下显著优势：①模型结构成熟稳定，社区生态完善，拥有大量的预训练模型和工具支持；②提供多种不同规模的模型变体（n/s/m/l/x），可根据算力资源灵活选择；③代码可读性强，模块化程度高，便于针对特定任务进行定制化改进。更重要的是，当前大量工业现场的低端嵌入式计算设备（如jetson nano、树莓派、边缘计算盒子等）受限于算力和驱动兼容性，无法运行较新版本的算法框架或较大的模型，而yolov5凭借其轻量化设计和良好的硬件兼容性，成为这些场景下最实用的选择。

5、尽管yolov5性能优异，但其标准模型在应对林业等复杂场景时仍存在以下不足：

6、①骨干网络对特征的提取能力有限，尤其是原木表面纹理细腻、缺陷区域与正常区域的对比度低，标准卷积层难以有效区分前景和背景中的细粒度特征差异；

7、②空间金字塔池化模块（sppf）对所有尺度的池化特征进行简单拼接，未能针对林业目标尺度分布极度不均匀的特点（从大面积的原木截面到微小的锯切纹）进行优化；

8、③颈部网络中的上采样操作采用最近邻插值，无法根据特征图内容自适应调整，导致多尺度特征融合质量受限；

9、④检测头采用耦合结构，分类和定位任务共享同一组卷积参数，存在任务竞争问题，影响检测精度。

10、针对上述问题，本发明提出了一种改进方案，通过引入注意力机制、优化空间金字塔池化结构、采用内容感知上采样和解耦检测头，提升yolov5模型在林业等复杂场景下的目标检测与实例分割性能。

技术实现思路

1、本发明的目的是：旨在提供一种基于改进yolov5的林业原木视觉识别方法，用于解决背景技术中存在的问题。

2、为实现上述技术目的，本发明采用的技术方案如下：

3、基于改进yolov5的林业原木视觉识别方法，包括以下步骤：

4、s100：获取训练图像数据集并进行预处理，将预处理后的图像数据集划分为训练集、验证集以及测试集；

5、s200：构建改进模型：

6、s210：构建骨干网络，用于特征提取，在yolov5模型的骨干网络末端嵌入卷积块注意力模块cbam，卷积块注意力模块cbam通过串联的通道注意力子模块和空间注意力子模块对特征图进行逐级加权增强；

7、s220：在骨干网络的输出端构建一个空间金字塔池化模块sppf-a，用于特征池化，替代标准yolov5模型的金字塔池化模块sppf；

8、s230：构建颈部网络，用于特征融合，采用内容感知上采样模块carafe，替代标准yolov5模型的最近邻插值上采样操作；

9、s240：构建解耦检测头，用于目标预测，包含一个共享特征提取层和四个独立的任务分支，替代标准yolov5模型的耦合检测头；

10、s300：训练改进模型，对改进模型进行参数初始化，利用训练集进行训练，更新模型参数；

11、s400：利用改进模型进行目标检测与分割。

12、作为本发明技术方案的进一步限定，所述步骤s210中，通道注意力子模块和空间注意力子模块依次执行以下子步骤：

13、s211：由通道注意力子模块对输入特征图分别进行全局平均池化和全局最大池化，将得到的两个通道描述符输入至一个共享的多层感知机；

14、s212：多层感知机输出的两个通道注意力特征图进行逐元素相加，然后由sigmoid激活生成通道注意力权重；

15、s213：将通道注意力权重与输入特征图逐元素相乘，得到经通道注意力加权后的特征图；

16、s214：将经通道注意力加权后的特征图在通道维度分别计算平均值和最大值，得到两个二维空间特征描述符；

17、s215：两个二维空间特征描述符进行拼接，得到拼接后的特征图；

18、s216：将拼接后的特征图经卷积操作和sigmoid激活后生成空间注意力权重；

19、s217：将空间注意力权重与经通道注意力加权后的特征图逐元素相乘，得到最终的增强特征图。

20、作为本发明技术方案的进一步限定，所述步骤s220中，空间金字塔池化模块sppf-a包括一个1×1卷积降维层、四个级联的5×5最大池化层和一个1×1卷积融合层；

21、空间金字塔池化模块sppf-a执行以下操作：

22、s221：增强特征图输入后，经1×1卷积降维层进行通道降维；

23、s222：依次经四个级联的5×5最大池化层进行池化操作，分别获得原始特征、第一池化特征、第二池化特征、第三池化特征和第四池化特征；

24、s223：将所述第一池化特征和所述第三池化特征在通道维度拼接，并将拼接后的特征图经所述1×1卷积融合层进行通道融合，输出池化特征图。

25、作为本发明技术方案的进一步限定，所述步骤s230中，内容感知上采样模块carafe包括核预测子模块和内容感知重组子模块，其中：

26、核预测子模块将输入的池化特征图，经激活函数激活并通过卷积层预测原始上采样核，然后采用像素重组操作生成对应的上采样核，最后由softmax函数对上采样核进行归一化；

27、内容感知重组子模块从输入的池化特征图中提取每个位置周围邻域的特征块，然后将上采样核与对应的特征块进行加权求和，生成新的特征值。

28、作为本发明技术方案的进一步限定，所述步骤s240中，共享特征提取层由两个级联的3×3卷积层组成，四个任务分支分别为：

29、回归分支，用于输出目标边界框的坐标偏移量；目标度分支，用于输出目标存在概率；分类分支，用于输出目标属于各类别的概率；掩码系数分支，用于输出实例分割掩码系数；

30、解耦检测头还包含原型掩码生成子模块，用于对骨干网络输出的浅层特征图生成原型掩码图。

31、作为本发明技术方案的进一步限定，所述步骤s300具体包括：

32、s310：采用yolov5m-seg预训练权重对骨干网络和颈部网络进行参数初始化，解耦检测头的新增参数采用随机初始化；

33、s320：利用训练集对改进的yolov5神经网络模型进行端到端训练，通过反向传播算法和随机梯度下降优化器更新模型参数。

34、作为本发明技术方案的进一步限定，所述步骤s400具体包括：

35、s410：获取待检测图像；

36、s420：将待检测图像输入改进模型，通过骨干网络进行特征提取并由卷积块注意力模块cbam增强后输出得到增强特征图；

37、s430：将增强特征图通过空间金字塔池化模块sppf-a执行池化融合操作，得到池化特征图；

38、s440：池化特征图由改进模型的颈部网络进行特征融合，得到融合特征图；

39、s450：由解耦检测头对融合特征图进行目标预测，并且根据预测结果，输出目标检测框、类别置信度和实例分割掩码。

40、本发明与现有技术相比，具有以下有益效果：

41、①通过在骨干网络中引入cbam注意力模块，增强了模型对细粒度特征的提取能力，使其在复杂背景下能够更准确地聚焦目标区域；

42、②通过设计sppf-a空间金字塔池化模块并采用选择性特征拼接策略，强化了对极端尺度目标的特征表达，在保持计算效率的同时提升了多尺度检测能力；

43、③通过采用carafe内容感知上采样模块，实现了特征的自适应重组，提高了特征金字塔中多尺度特征融合的质量；

44、④通过采用解耦检测头结构，消除了分类、定位和掩码预测任务的竞争问题，各任务分支能够独立学习最优特征，显著提升检测精度；

45、⑤综合四项改进模块的协同作用，在模型参数量增长可控的前提下，实现了检测精度和分割精度的全面提升，特别适用于林业木材加工等复杂场景下的细粒度目标识别任务；

46、⑥本发明方法基于yolov5框架，具有优秀的硬件兼容性，可在jetson nano等低端嵌入式计算设备上高效运行，满足林业现场自动化设备的部署需求。