基于YoLov3网络实现的小麦检测方法与流程

基于yolov3网络实现的小麦检测方法
技术领域
1.本发明涉及计算机视觉技术在智慧农业上的应用领域，具体涉及基于 yolov3 网络实现的小麦检测方法。


背景技术：

2.小麦是北方人民重要的粮食作物，其产量对生活非常重要。传统小麦产量获取方式是通过收割机在麦田里作业，收割小麦，晾晒小麦后获得实际产量。这种方法费时费力。


技术实现要素：

3.为了解决上述现有技术的不足，本发明提供以下技术方案。
4.基于 yolov3 网络实现的小麦检测方法，其步骤为：s1：数据集获取，对不同品种小麦进行抽样，拍摄若干张照片；s2：数据集标注，用 labelimg 标注软件对小麦图片进行标注。每标注一张就会生成一个 xml 文件；s3: 使用处理好的小麦数据对 yolov3 网络进行训练，将处理好的数据输入到 yolov3 神经网络中，神经网络各层通过卷积操作学习图片中小麦的特征，神经网络层与层之间的权重也通过网络输入与误差来进行学习与调整；s4:根据训练好的权重文件对小麦的测试集进行评估，通过将测试图片放入训练好的 yolov3 网络中进行预测，会将预测结果以预测类别、置信度、预测框的左上和右下坐标的格式进行保存，并依据预测图片的结果计算map 和小麦个数。
5.进一步的，所述s2具体步骤如下：s21：在 ubuntu 系统下，打开 labelimg，点击 open dir,确定所要标注的图像位置，然后点击 change save dir,确定生成 xml 文件的目录，把 xml 文件保存在了小麦图像中，这样可以使它和小麦图片一一对应，s22: 点击 create rectbox 就可以对小麦图像进行标注了，标注完成后，点击 save 进行保存。快捷键：w 用来创建新的标注框。a 是上一张图像；d 是下一张图像。cral s 是保存，s23：标注完成后，点击保存，会生成与标注的小麦图像相对应的 xml 文件,s23 中生成的 xml 文件如图 4，所有信息都在<annotation>标签中，<folder>标签是文件夹名称；<filename>标签是图像名称；<path>是文件路径；<size>标签是该图像的尺寸；<object>标签中有标注框的名称；<bndbox>确定标注框的坐标。一张图中有多少个标注框就会有多少个<object>标签；进一步的，所述s3具体步骤如下：s31：设置 yolov3 网络训练时的一些必要参数，s32：yolov3 网络按照规定的格式将数据进行读入，s33：将网络对数据进行训练，并得到相应的训练权重文件；
进一步的，所述s4具体步骤如下：s41：设置 yolov3 网络测试时的一些必要参数，s42：把预测的以预测类别、置信度、预测框的左上和右下坐标的格式进行保存，计算 map，s43：将保存的数据进行进一步处理得到每个照片中预测小麦的个数,计数准确率=预测小麦个数/ 实际小麦个数。
6.发明对小麦进行抽样拍摄实验照片，再用 yolov3 神经网络进行检测，通过样本可以估计理论产值。
附图说明
7.图 1 为本发明中小麦图片检测的整体流程图；图 2 为本发明中小麦数据集中的不同品种小麦；图 3 为对特定框中小麦图像的标注；图 4 为标注小麦图像后生成的 xml 文件；图 5 为检测完成后的图片。
具体实施方式
8.为了能更清楚地理解本发明的技术方案，下面结合附图和实施例对本发明具体实施方式进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
9.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照附图，对本发明做进一步的详细说明。
10.图 1 所示为基于 yolov3 网络实现的的小麦检测方法在检测小麦中的整体流程图，包括以下步骤：s1：数据集介绍：对 3 种不同品种小麦进行抽样，拍摄了 1527 张照片；s2：数据集标注，用 labelimg 标注软件对小麦图片中的特定框进行标注，每标注一张就会生 成一个 xml 文件；s3: 使用我们处理好的的小麦数据对 yolov3 网络进行训练，将处理好的数据输入到 yolov3 神经网络中，神经网络各层通过卷积操作学习图片中小麦的特征，神经网络层与层之间的权重也通过网络输入与误差来进行学习与调整；s4:根据训练好的权重文件对小麦的测试集进行评估：我们通过将测试图片放入训练好的 yolov3 网络中进行预测，我们会将预测结果以预测类别、置信度、预测框的左上和右下坐标的格式进行保存，并依据预测图片的结果计算 map 和小麦穗数；图 3 为对特定标注框中小麦图像的标注，步骤 s2 标注数据集的具体步骤如下:s21：在 ubuntu 系统下，打开 labelimg，点击 open dir,确定所要标注的图像位置，然后点击 change save dir,确定生成 xml 文件的目录，把 xml 文件保存在了小麦图像中，这样可以使它和小麦图片一一对应；s22: 点击 create rectbox 就可以对小麦图像进行标注了，标注完成后，点击 save 进行保存。快捷键：w 用来创建新的标注框。a 是上一张图像；d 是下一张图像。cral s 是保存；
s23：标注完成后，点击保存，会生成与标注的小麦图像相对应的 xml 文件,s23 中生成的 xml 文件如图 4，所有信息都在<annotation>标签中，<folder>标签是文件夹名称；<filename>标签是图像名称；<path>是文件路径；<size>标签是该图像的尺寸；<object>标签中有标注框的名称；<bndbox>确定标注框的坐标。一张图中有多少个标注框就会有多少个<object>标签。
11.图 5 为检测完成后的图片，步骤 s3 使用我们处理好的的小麦数据对 yolov3 网络进行训练，其具体步骤如下：s31：设置 yolov3 网络训练时的一些必要参数；s32：yolov3 网络按照规定的格式将数据进行读入；s33：将网络对数据进行训练，并得到相应的训练权重文件。
12.步骤 s4 根据训练好的权重文件对小麦的测试集进行评估，其具体步骤如下：s41：设置 yolov3 网络测试时的一些必要参数；s42：把预测的以预测类别、置信度、预测框的左上和右下坐标的格式进行保存，计算 map， map=67.81%；s43：将保存的数据进行进一步处理得到每个照片中预测小麦的个数,计数准确率=预测小麦个数/ 实际小麦个数=90%。
13.本发明提出对多个品种的小麦进行抽样拍摄实验照片，再用 yolov3 神经网络进行检测，通过样本可以估计理论产值。
14.本发明不仅可以计算谷子的粒数，还在此基础上，对谷子大小做一个识别工作。对谷子的育种和产量估计有着极大的作用。
15.以上所述为本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。