一种基于改进YOLOv11s模型的油菜发育期识别方法及系统与流程

本发明涉及农业信息化，具体涉及一种基于改进yolov11s模型的油菜发育期识别方法及系统。

背景技术：

1、油菜是我国重要的油料作物，其发育期的准确识别对于农事管理、产量预测和品种选育具有重要意义。传统油菜发育期观测主要依赖人工目视判断，存在以下突出问题：（1）人工观测效率低下，难以满足大规模种植场景的实时监测需求；（2）主观性强，不同观测人员对同一发育阶段的判断标准存在差异，影响数据一致性；（3）长期野外观测劳动强度大，难以持续开展。

2、近年来，基于深度学习的目标检测算法在农业图像识别领域得到了广泛应用。yolo（you only look once）系列模型因其端到端的检测方式和良好的实时性能，成为目标检测任务的主流方法之一。然而，现有yolo模型在油菜发育期识别应用中仍存在以下不足：

3、第一，现有模型参数量大、计算复杂度高，难以在资源受限的边缘设备或web端部署，限制了其在农业实际场景中的推广应用。

4、第二，自然环境下油菜田图像包含复杂的背景信息（如土壤、杂草、其他作物等），且油菜花、抽薹等目标尺寸较小，现有模型对小目标的检测精度不足，容易受到背景干扰。

5、第三，现有目标检测损失函数在定位精度和收敛速度方面存在不足，影响模型训练效率和检测准确性。

6、第四，传统上采样方法（如最近邻插值、双线性插值）在特征图恢复过程中易造成信息丢失，降低了特征融合的质量。

7、因此，亟需一种能够在保证检测精度的同时实现模型轻量化、适用于自然环境下油菜发育期识别的改进方法。

技术实现思路

1、本发明的目的在于提供一种基于改进yolov11s模型的油菜发育期识别方法及系统，以解决上述的问题。

2、一种基于改进yolov11s模型的油菜发育期识别方法，包括以下步骤：

3、步骤s1、获取油菜田实景图像数据集，对油菜田实景图像进行预处理和标注，构建训练集和验证集；扩充训练样本以提高模型的泛化能力；

4、步骤s2、构建改进的yolov11s-mpds目标检测模型，所述改进的yolov11s-mpds目标检测模型包括：

5、将yolov11s模型的backbone层替换为mobilenetv3轻量化网络，并在mobilenetv3主干末端添加c3k2模块；

6、将损失函数替换为piou损失函数；

7、将上采样模块替换为dysample动态上采样模块；

8、在backbone层末端和neck层的第二个c3k2模块之后分别引入se注意力机制；

9、步骤s3：利用所述训练集对所述改进的yolov11s-mpds目标检测模型进行训练，通过所述piou损失函数优化模型参数；

10、步骤s4：将待识别的油菜田图像输入训练好的改进的yolov11s-mpds目标检测模型，输出油菜发育期的识别结果。

11、进一步地，所述mobilenetv3轻量化网络采用mobilenetv3-small结构，采用1×1卷积、深度可分离卷积和se模块的池化与全连接进行特征提取。

12、进一步地，所述piou损失函数的计算公式为：

13、；

14、；

15、其中，liou为iou函数，γ为惩罚因子，hgt为目标框的高，wgt为目标框的宽，dh1、dh2、dw1、dw2为预测框和目标框的四边对应边缘之间的距离绝对值。

16、进一步地，所述dysample动态上采样模块基于点采样角度重构上采样过程，通过采样点生成器对输入特征图进行内容感知的偏移生成，并利用双线性插值进行重采样。

17、进一步地，所述采样点生成器包括静态范围因子和动态范围因子两种模式，采用pl模式；静态范围因子偏移量由一个1×1卷积生成再乘以固定系数0.25；动态范围因子偏移量计算公式为o=0.5×σ(linear1(x))×linear2(x)，输出范围[0,0.5]；σ是sigmoid激活函数，linear1(x)是第一个线性映射函数，linear2(x)是第二个线性映射函数；

18、采样集s=g+o，其中g为原始网格，最后通过grid_sample函数生成上采样特征x'=grid_sample(x,s)。

19、进一步地，所述se注意力机制通过压缩操作和激励操作动态调整通道权重：

20、压缩操作：对每个通道特征图执行全局平均池化，将空间维度信息压缩为通道描述符，计算公式为：

21、；

22、是第c个通道的全局描述符，c是通道索引，h是输入特征图的高度，w是输入特征图的宽度，i是特征图行索引，j是特征图列索引，第c个通道在空间位置 (i,j) 处的特征值，是全局平均池化的归一化系数；

23、激励操作：通过两个全连接层加激活函数学习通道间依赖关系，生成每个通道的权重系数，计算公式为：

24、；

25、其中σ为sigmoid激活函数，δ为relu激活函数；w1是第一个全连接层的权重矩阵，w2是第二个全连接层的权重矩阵；ω是通道权重；

26、将学习到的通道权重与原始特征图进行逐通道相乘，对特征图进行校准，计算公式为，得到校准后的输出特征图y；

27、式中，为校准后第个通道特征图，第个通道权重系数。

28、进一步地，所述步骤s1中的预处理包括对图像进行左右翻转、随机亮度调整和旋转的数据增强操作。

29、进一步地，所述步骤s4中的识别结果至少包括抽薹期和开花期。

30、进一步地，还包括步骤s5：将训练好的改进的yolov11s-mpds目标检测模型部署于web平台，实现图片上传识别、实时动态识别和视频识别功能，识别结果保存至数据库；所述部署采用前后端分离技术，前端交互层采用vue框架，业务服务层采用springboot，模型服务层采用flask框架封装模型接口，数据存储层采用mysql数据库。

31、另一方面，本发明提供了一种基于改进yolov11s模型的油菜发育期识别系统，包括：

32、图像采集模块，用于获取油菜田实景图像；

33、图像预处理模块，用于对采集的油菜田实景进行预处理；

34、目标检测模块，采用所述的方法构建的改进的yolov11s-mpds目标检测模型，对图像预处理模块预处理后的图像进行发育期识别；

35、结果显示模块，用于输出并显示识别结果。

36、与现有技术相比，本发明的有益效果：

37、所述一种基于改进yolov11s模型的油菜发育期识别方法及系统

38、1、本发明显著降低模型体积和计算量。通过将backbone层替换为mobilenetv3轻量化网络并增设c3k2模块，在保证特征提取能力的同时大幅压缩模型规模。实验结果表明，相比原yolov11s模型，model size降低30.0%，gflops降低46.0%；相比yolov5s、yolov6s、yolov8s、yolov12s等主流yolo模型的最优值，model size优化17.6个百分点，gflops优化38.5个百分点，便于在资源受限的边缘设备和web端部署。

39、2、本发明显著提升检测精度。 通过piou损失函数替代ciou损失函数，结合目标尺寸自适应惩罚因子和基于锚框质量的梯度调节函数，引导锚框沿高效路径回归，收敛速度更快、定位精度更高。实验表明，相比原yolov11s模型，精确率提高2.1个百分点，召回率提高1.7个百分点，map@50提高1.6个百分点，map@50-95提高7.5个百分点。相比yolov5s、yolov6s、yolov8s、yolov12s等主流yolo模型的最优值，精确率提高1.2个百分点，召回率提高1.3个百分点，map@50提高1.3个百分点，map@50-95提高5.6个百分点。

40、3、本发明增强小目标检测能力。 在backbone层末和neck层引入se注意力机制，通过通道权重动态调整，突出重要特征通道、抑制冗余背景信息，有效提升对油菜花等小目标的检测能力。同时dysample动态上采样减少特征图恢复过程中的信息丢失，进一步提升了特征融合质量。

41、4.本发明的四个改进模块（mobilenetv3+c3k2、piou、dysample、se）共同作用时，协同增益效果达到最优，实现了精度与效率的全面提升，验证了多模块协同的正向互补作用。

42、5.本发明的模型部署于web平台后，在实际测试中检测精度与响应时间均满足实用要求，yolov11s-mpds模型相比yolov11s模型在识别精度上显著提升（开花目标识别精度从81%提升至89%），单张图片预测时间仅为0.0163秒，为油菜发育期自动化识别提供了可行的技术方案。