一种基于YOLO的成捆原木端面检测方法与流程

一种基于yolo的成捆原木端面检测方法
技术领域
1.本发明涉及成捆原木端面检测技术，特别是一种基于yolo的成捆原木端面检测方法。


背景技术：

2.近年来，随着我国经济的快速发展，环境问题也日益严峻。例如温室效应、空气污染、水土流失、森林面积减少等。其中，森林资源作为陆地生态系统的主体，是人类赖以生存和发展的重大资源。由国家林业局在2014年发布的第八次全国森林资源清查结果显示，我国森林资源进入了数量增长、质量提升的稳步发展时期，然而，我国森林覆盖率远低于全球31%的平均水平，人均森林面积仅为世界人均水平的1/4，森林蓄积只有世界人均水平的1/7，森林资源总量相对不足、质量不高、分布不均的情况仍未得到根本解决。如果我们能够精准计数出成捆原木端面数量，那么就可以合理的调配原木资源，从而可以有效的减少原木资源的浪费，为后续的原木材积检测提供了一定的保证，对森林资源的合理调配具有重要意义。。
3.近年来，多种目标检测算法相继被提出，但在原木领域的应用上相对较少，目前主流的目标检测算法可以分为两大类：第一类主要是采用两阶段的形式，先是区分前后背景，即目标定位，然后再进行目标的具体分类，常用的检测算法主要有ssd系列、r
‑
cnn系列等；另外一类则采用一阶段的形式，即通过一次分类就做到定位和具体分类的目的，常用的检测算法有yolo系列算法。但是目前的yolo系列算法虽然检测速度较快，普遍存在着精度低、小目标识别效果差等问题。
4.把yolo、注意力机制以及spp结构相结合，建立一种成捆原木端面检测模型，提高网络对于成捆原木端面计数的准确度，以及检测小目标的能力。
5.目前，公开发表的文献及专利中尚未见有将yolo、注意力机制以及spp结构相结合用于成捆原木端面检测上研究。


技术实现要素：

6.本发明的目的在于克服现有技术中存在的缺陷，提供一种基于yolo的成捆原木端面检测方法，能够有效提高成捆原木端面检测的精度。
7.为实现上述目的，本发明的技术方案是：一种基于yolo的成捆原木端面检测方法，包括如下步骤：步骤s1、针对成捆原木端面图片数据，利用labelimage标注所需原木，形成目标框，作为成捆原木端面检测模型的成捆原木端面计数的数据集；步骤s2、对成捆原木端面计数的数据集的数据，进行预处理，建立样本数据，并将样本数据按照7:3的比例分为训练集和测试集；步骤s3、在训练集数据中，采用聚类算法对目标框进行多尺度聚类，提取出yolo的先验框；
步骤s4、根据所述步骤s3提取的先验框，利用yolo结合spp结构增强小目标识别能力，引入注意力机制的软阈值化方法，消除影响检测结果中心与目标中心聚拢的高纬度噪声特征，对训练集的数据训练，建立成捆原木端面计数模型；步骤s5、在整个样本集上验证训练集所训练出来的成捆原木端面计数模型表现。
8.在本发明一实施例中，在所述步骤s2中，对成捆原木端面计数的数据集的数据，进行预处理的方式包括mosaic数据增强、翻转、缩放、色域变换。
9.在本发明一实施例中，在所述步骤s2中，对成捆原木端面计数的数据集的数据，进行包括mosaic数据增强、翻转、缩放、色域变换的具体实现方式为：读取成捆原木端面计数的数据集中四张样本原木图片，将四张图片进行随机的翻转、缩放、色域变换，按照四个方向摆好，然后进行图片的组合和标注框的组合。
10.在本发明一实施例中，在所述步骤s3中，对于训练集的数据，采用聚类算法对目标框进行多尺度聚类，根据聚类的效果，确定更贴近训练集标注框宽高的先验框，作为yolo网络的先验框。
11.在本发明一实施例中，在所述步骤s3中，所述聚类算法为k
‑
median聚类算法。
12.在本发明一实施例中，在所述步骤s4中，所述yolo采用yolo系列中的yolov4
‑
tiny网络。
13.相较于现有技术，本发明具有以下有益效果：本发明方法，将平均精度（ap）、精准率（precision）、召回率（recall）引入作为计数结果的评价，将yolov4
‑
tiny、注意力机制以及spp结构相结合的成捆原木端面检测算法，通过实验结果表明该方法预测的结果精度高，小目标检测能力明显增强。该方法可以准确的计数出一张图中的原木个数，能够有效计数出小目标的原木个体。
附图说明
14.图1为本发明中基于yolo的成捆原木端面检测算法的流程图。
15.图2为本发明一实例的原木端面检测模型结构图。
16.图3为本发明一实例的k
‑
median对目标框进行多尺度聚类的具体实现流程图。
17.图4为本发明一实施例中采用注意力机制进行软阈值化的网络结构模型图。
18.图5为本发明一实施例中采用的spp网络结构模型图。
19.图6为本发明一实施例中采用yolov4
‑
tiny与本文所提出算法的部分实验结果对比图。
具体实施方式
20.下面结合附图，对本发明的技术方案进行具体说明。
21.如图1所示，本发明提供了一种基于yolo的成捆原木端面检测算法，包括如下步骤：步骤s1、从收集到的成捆原木端面图片数据中，利用labelimage标注我们所需要识别的原木，作为成捆原木端面计数的数据集；步骤s2、对成捆原木端面计数的数据集，进行数据增强，划分训练集和测试集；步骤s3、对训练集数据，采用k
‑
median分类器提取出yolov4
‑
tiny的先验框；
步骤s4、根据所述步骤s3提取的先验框，利用yolov4
‑
tiny结合spp结构增强小目标识别能力，引入注意力机制的软阈值化方法，消除影响检测结果中心与目标中心聚拢的高纬度噪声特征，对训练集的数据建立成捆原木端面计数模型步骤s5、在整个样本集上验证训练集所训练出来的模型表现；以下为本发明的具体实现过程。
22.本发明提供一种基于yolo的成捆原木端面检测算法，流程框图如图1所示。图2为本实施例所采用的原木端面检测模型结构图。图3为本实施例的多尺度k
‑
median聚类算法提取yolov4
‑
tiny的先验框的流程图，通过与其他聚类算法对比，该聚类效果最好。图4为本实施例的采用注意力机制进行软阈值化的网络结构模型图。图5 为本实施例中采用的spp网络结构模型图。图6为本发明一实施例中基于yolo的成捆原木端面检测算法与yolov4
‑
tiny的部分识别效果图，根据历史输出功率变化趋势与待预测日的辐照度变化趋势，选择不同的数据集，具体包括以下步骤：步骤s1、针对成捆原木端面图片数据集，利用labelimage标注我们所需要的原木，形成目标框，作为成捆原木端面检测模型的数据集；步骤s2、对成捆原木端面计数的数据集，进行包括mosaic数据增强、翻转、平移、曝光等，建立样本数据，并将样本数据按照7:3的比例分为训练集和测试集；步骤s3、利用k
‑
median聚类算法，将训练集数据按距离排序后进行数量平均等分成三组，分别对三组数据进行k为3的多尺度聚类，获取更符合样本宽高的yolov4
‑
tiny的先验框；步骤s4、将yolov4
‑
tiny增加一个检测尺度，引入spp结构，增强其小目标识别能力，注意力机制的软阈值化方法作为小模块插入yolov4
‑
tiny 中，用以消除影响预测结果和目标结果中心聚拢的高维度噪声特征。
23.步骤s5、通过训练集样本训练一个基于注意力机制和yolov4
‑
tiny的成捆原木端面检测模型。
24.步骤s6、通过测试集验证模型的性能。
25.较佳的，在本实施例中，数据来自福建省永安市某林场以及互联网。
26.进一步的，在本实施例中，采用平均交并比（miou）作为先验框聚类结果的评价指标。
27.在本实施例中，来自福建省永安市某林场以及互联网的样本数据一共277张原木图片，每张图片中的原木从3~100根不等，总计6958根原木目标，其中124张图片作为训练集，共5112根原木目标，其余53张作为测试集，共1846根原木目标。
28.进一步的，在本实施例中，采用k
‑
median进行多尺度聚类获得先验框，相比较k
‑
means,k
‑
mediods以及它们对应的多尺度聚类，无论在训练集还是测试集， k
‑
median进行多尺度聚类的先验框达到了最好的效果指标。
29.表1 多尺度聚类实验获得的miou k
‑
median多尺度k
‑
mediank
‑
mediods多尺度k
‑
mediodsk
‑
means多尺度k
‑
means训练集78.9879.067978.9577.2277.52测试集78.9679.1779.0178.9076.1276.15
较佳的，在本实施例中，通过将yolov4
‑
tiny、spp结构、多尺度k
‑
median以及注意
力机制的软阈值化方法进行组合（a：yolov4
‑
tiny、b：spp结构、c：多尺度k
‑
median、d：注意力机制的软阈值化），分别对模型的性能进行训练和测试，实验结果表明，我们所提出的模型的平均精度能够达到97.47%，精准率可以达到93.97%，召回率达到了95.34%，表2为不同模型在测试集上的性能结果。
30.表2 不同模型的性能结果序号modelapprecisionrecall1a96.9891.8794.912a b97.2492.8395.343a b c97.2293.2295.344a b d97.293.7894.695a b c d97.4793.9795.34图6为本发明一实施例中部分实验结果图。
31.以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。