基于Yolov5s的蚕茧分类检测研究

蚕桑是中国的传统文化。在现有的蚕茧加工过程中对于人工的依赖比例仍旧很高。随着人工智能不断发展,基于深度学习的蚕茧的分割、定位及分类应用水平不断提升。针对目前选茧技术人工依懒性强的特点,设计了一种基于深度学习的蚕茧检测系统。以Yolov5s模型为基础,对于上茧、双宫茧、黄斑茧、薄皮茧等进行有效识别。通过蚕茧模型匹配,将原先设定好的检测标签优先的结果显示出来,解决原先设备检测只能检测一面的弊端。可以更好地减少人工选茧的误判情况,提高检测的正确率和检测效率。

融合通道注意力机制和非局部操作的蚕茧识别算法

蚕茧质量对蚕丝的品质具有重要影响,因此在缫丝前需要对蚕茧进行分类,但传统人工筛选法成本较高,效率和准确率均较低。为了提高蚕茧种类分类准确率,利用深度学习的方法在ResNet50的基础上做出改进并将其应用于蚕茧分类。首先以ResNet50作为主干网络提取蚕茧原图特征信息,然后使用非局部操作提取特征图的全局特征,进一步利用通道注意力机制提取全局特征图的通道特征,从而将全局语义特征和细节信息进行全局平均池化,并将全局平均池化得到的特征向量输入到Softmax分类器中进行分类。实验结果表明:融合通道注意力机制和非局部操作的蚕茧识别算法平均分类准确率达95.6%,比ResNet50网络模型高2.4%。