基于YOLOv5s的神经网络麦穗识别算法研究

神经网络算法在人工智能领域有着广泛的应用，如本文中智慧农业中的麦穗识别。本研究采用YOLOv5s 算法研究麦穗的目标检测，将目标检测算法和神经网络算法相结合。研究的数据集来自Global Wheat Head detection (GWHD) dataset2020和AI crowd中GWHD dataset 2021，利用LabelImg软件进行标注，将标注后的数据先采用PIL中的旋转、翻转、亮度提升等对数据进行增强预处理，其次，选用YOLO系列算法对预处理后的数据集进行目标检测。增大麦穗训练集的规模，提高模型的泛化能力。通过YOLO算法进行麦穗检测，确保对数据集进行目标检测的准确性。利用该模型对麦穗图像进行检测。其中YOLOv5算法在输入端增加了Mosaic数据增强、自适应anchor以及图像缩放板块。并在neck上使用FPN和PAN结合板块，其精确率、召回率和平均精度在测试集上的精度分别为78.1%、85%、52.1%，比YOLOv3的检验结果高，该方法可以高效地检测并标注麦穗。

小麦可以解决粮食安全的问题，提高农产品的出口量。发挥着营养、饲养、经济价值。检测期间会碰到视觉的挑战， 如小麦植株重叠， 风动下的模糊图像。

这些问题加剧了识别单个小麦头的难度。

目前， 小麦的研究方法有：人工观测技术、遥感图像预测[1]、电容量测产[2]方法等。人工观测主观因素较多， 导致观测不准确，且耗费人力较多。遥感技术主要采取卫星图像，拍摄距离较远，导致遥感技术不适合用来观测小范围的麦穗数据；电容量测量产量，电力成本消耗较大且耗时较长。

随着深度学习的发展，智慧农业也可通过深度学习解决一系列难题[3]，如粮食产量的估算、种子选种、种子选择优良基因性等[4]。随着神经网络在目标检测中的发展，人们用深度学习网络来检测小麦， 本文将对粮食生产的麦穗图像识别方法进行研究讨论。为了克服小麦植株重叠、风动图像模糊这些干扰因素，我们尝试利用神经网络设计合理的算法运用到麦穗识别中[5]，为智慧农业下的小麦穗识别提供服务。本文结合图像处理技术[6] [7] [8]，设计了一套基于YOLOv5 的麦穗识别算法，有助于农村小麦管理决策去评估小麦的健康和成熟度，以便选择优良种，提高播种的参考性，为小麦的智能识别监控系统提供理论依据。

2. YOLO 算法简介 计算机视觉是近几年发展起来的一种新方法，而YOLO 一系列算法是领域中一种典型的目标检测方法。它将图片作为算法的输入端，并在图片不同位置，回归该位置的目标框及目标检测类型。YOLOv5系列有轻量级模型的大小，且具有较好的检测精度和速度，用途广泛，用于电路缺陷检测、医学肿瘤图像检测、车牌号检测等[9]。

YOLOv5 [10]是基于YOLOv4 的改进而来，用于目标检测。于YOLO 系列其他几个算法相比， YOLOv5s 网络最小，速度最少，AP 进度也最低。