基于MSRCR與注意力機制的群體蠶繭智能識別算法

孫衛紅 楊程杰 邵鐵鋒 梁曼 鄭健

摘要：針對目前人工選繭誤選率高、效率低的問題，本文以上車繭、黃斑繭、爛繭為研究對象，提出一種基于多尺度色彩恢復算法與注意力機制的群體蠶繭智能識別算法。首先，將原始圖像進行低通濾波，并乘以色彩恢復因子，在多尺度內恢復蠶繭色彩與表面細節信息，得到多尺度高頻細節圖像。其次，通過修改YOLOv3算法主干特征提取網絡中的殘差層引入注意力機制，對卷積后特征圖中的分支特征重新標定，增大有效特征的權重。最后，在非極大值抑制算法基礎上增加一項得分與相鄰框重合度計算過程，篩除YOLOv3后期無效預測框，實現群體蠶繭種類識別。實驗結果表明，本文算法的均值平均精度達到85.52%，相較于YOLOv3增加4.85%。

關鍵詞：蠶繭;智能識別;MSRCR算法;YOLOv3算法;注意力機制;NMS算法

中圖分類號：TS101.91文獻標志碼：A文章編號： 10017003（2022）06005808

引用頁碼： 061108

DOI： 10.3969/j.issn.1001-7003.2022.06.008（篇序）

基金項目： 國家市場監管總局科技計劃項目（S2021MK0217）;浙江省公益技術應用研究項目（LGG20E050014）;江西省市場監督管理局科技項目（GSJK202003）

作者簡介：孫衛紅（1969），男，教授，博士，主要從事檢驗技術及自動化裝置、數字化設計制造、制造業信息化的研究。

繭絲綢行業內根據制絲時工藝要求差異對原料蠶繭進行分類的過程稱為選繭^[1]。肉眼評定法是目前行業內應用最廣泛的選繭方式，選繭效率依賴于操作人員的熟練程度，無法避免主觀意識與情緒，難以恒定評估蠶繭的質量^[2]。為解決人工選繭速度慢、誤差大等問題，國內外學者將圖像處理技術應用至蠶繭種類識別研究。陳浩等^[3]采用Matlab軟件對采集的單粒蠶繭圖像進行二值化、空洞填充及面積計算等處理，達到表面污斑面積自動檢測的目的;宋亞杰等^[4]運用數字圖像處理技術，根據數學形態對蠶繭進行劃分;孫衛紅等^[5]基于不同蠶繭在HSV空間模型下的顏色特征，結合支持向量機設計并構造分類器方案。上述檢測方法應用于單粒蠶繭或者數量較少場合，自動化程度較高，但在面對蠶繭數量較多情況時，算法的檢測精度大幅下降。因此，亟需一種可準確識別群體蠶繭種類的檢測算法。

目前國內外學者在群體目標檢測方面的研究已取得一定進展。曹詩雨等^[6]通過改進Fast R-CNN（Fast Region-based Convolutional Network）目標檢測算法，可準確識別城市道路中的公交車、小型汽車;彭紅星等^[7]以四種水果為研究對象，提出一種改進的SSD（Single Shot MultiBox Detector）深度學習水果檢測算法，解決了自然環境下水果識別率低、泛化性弱等問題;Loey等^[8]基于ResNet-50提取深度遷移學習模型的特征，并采用YOLOv2（You Only Look Once）算法對人群中的醫用口罩特征進行標注與定位;趙德安等^[9]為實現復雜環境中機器人對蘋果的檢測，采用一種基于YOLOv3的蘋果識別算法，準確定位蘋果的同時，驗證YOLOv3算法對群體目標識別檢測的可行性。

為提高YOLOv3算法對群體蠶繭種類識別的精度與魯棒性，本文以上車繭、黃斑繭與爛繭為研究對象，提出基于多尺度色彩恢復算法（Multi-Scale Retinex with Color Restoration，MSRCR）與注意力機制（Convolution Block Attention Module，CBAM）的群體蠶繭智能識別算法，在深度學習訓練前對暗箱內拍攝的蠶繭原始圖片進行MSRCR算法預處理得到多尺度高頻細節圖像，增加蠶繭圖像細節信息，解決蠶繭圖像表面細節清晰度低的問題。將注意力機制引入YOLOv3的主干特征提取網絡，對高保真圖像的分支特征重新標定，使網絡聚焦于有效疵點特征，抑制背景的干擾。后期預測框篩選策略增加一項得分與相鄰框重合度的計算過程，提高預測框篩選的合理性，降低算法對群體蠶繭識別的漏檢率。

1 方 法

1.1 蠶繭圖像色彩恢復

深度學習前需對采集圖像進行預處理，其目的是改善視覺效果，轉換為機器更為適合分析的形式^[10]。蠶繭圖像均拍攝自暗箱，由于蠶繭呈橢圓球狀，受光源照射不均勻，圖像中蠶繭表面局部細節清晰度較低。本文通過MSRCR算法進行圖像預處理，恢復陰暗圖像中蠶繭色彩，減小光照對算法檢測精度的影響。MSRCR算法的原理公式如式（1）（2）^[11-13]，式（3）采用色彩恢復因子C調節式（2）輸出項R_MSR（x，y），凸顯蠶繭表面較暗區域的特征信息，解決圖像局部區域對比度增強而導致色彩失真的問題，得到結合色彩恢復因子的第i顏色通道的多尺度濾波高頻細節圖像R_MSRCRi（x，y）。

G（x，y）=k·exp-x2+y2θ2??? （1）

R_MSR（x，y）=∑n_sn=1λ_n·{logI（x，y）-log[I（x，y）·G（x，y）]}??? （2）09B613B9-6D44-4542-91B1-A1F0EE71EE1A

R_MSRCRi（x，y）=C_i（x，y）·R_MSRi（x，y）C_i（x，y）=β·log[α·I_i（x，y）]-log∑Ni=1I_i（x，y）??? （3）

式（1）為高斯函數，其中k和θ分別為歸一化參數和高斯環繞尺度參數;式（2）利用式（1）對原圖I（x，y）先選取多個尺度參數進行低通濾波，再進行加權平均求和，得到多尺度濾波后的蠶繭高頻細節圖像R（x，y），式（2）中λ_n表示權值，n_s為尺度數目;式（3）中i為顏色通道，N為圖像中所有顏色通道，α為非線性強度控制因子，β為可調的增益參數。β決定圖像色彩恢復的最終效果，需根據實際目標增強效果調整并取值^[12]。本文采用200萬像素的相機，暗箱內平均光照強度為106 Lux，通過改變增益參數β獲得不同增益效果的上車繭、黃斑繭和爛繭多尺度高頻細節圖像。經YOLOv3算法檢測，最后檢測效果評價指標采用均值平均精度（mean Average Precision，mAP），實驗結果如圖1所示。由圖1可知，本實驗中β取值35時，均值平均精度較高。

蠶繭原始圖像與MSRCR圖像增強后的多尺度高頻細節圖像示例如圖2所示。圖2（c）（d）中的蠶繭圖像色彩得到恢復，相較于圖2（a）（b）的對比度與清晰度提高，且在高動態范圍內得到壓縮。因此，經MSRCR算法預處理后的蠶繭圖像可作為YOLOv3訓練的數據集。

1.2 YOLOv3算法改進

YOLOv3是目前主流的目標檢測算法之一，在實時性與精準度方面表現突出。針對YOLOv3算法在群體蠶繭識別時出現誤檢、漏檢等問題，本文采用Darknet53^[14-16]作為主干特征提取網絡，將輸入圖像固定尺寸至416×416像素，經卷積層、殘差層及注意力機制提取特征后，輸出層得到13×13、26×26、52×52三種不同像素尺寸的特征圖，其中Concat的作用是將相同尺寸特征圖的通道進行拼接，達到上采樣的目的。經過Soft-NMS算法篩除無效預測框，改進后的YOLOv3算法達到群體蠶繭種類識別的目的。具體算法流程如圖3所示。

1.2.1 基于注意力機制的主干特征提取網絡

YOLOv3算法應用于群體蠶繭識別時，發現對中小目標的識別存在缺陷，極易出現誤檢。本文通過修改主干特征提取網絡的殘差層，對中間層的蠶繭特征圖沿通道和空間兩個獨立維度推導權重，將權重與輸入特征圖相乘，劃分圖中有效疵點特征與無效背景，進行自適應特征細化。注意力機制結構如圖4所示，由通道注意力與空間注意力組成，F為原始特征圖，M_C和M_S分別表示通道注意力特征圖與空間注意力特征圖，F′和F″分別表示經通道注意力與空間注意力處理后輸出的蠶繭特征圖^[17]。蠶繭圖像經注意力機制提取特征后，有效特征（呈紅色）與背景實現分割，神經網絡注意力區域集中于蠶繭表面，提升了通道內有效特征的權重。

注意力機制由通道和空間注意力組成^[18]。通道注意力使用最大池化與平均池化聚合特征圖中的信息，再使用共享網絡層，采用逐元素求和方式輸出特征向量，對經過特征矩陣卷積后的通道進行過濾，提升有效疵點特征在特征圖中的權重，突出蠶繭圖像關鍵特征區域的信息，通道注意力結構如圖5（a）所示。空間注意力關注特征圖中目標蠶繭的坐標信息，是對通道注意力的補充?？臻g注意力經最大池化與平均池化處理，在保留通道維度的前提下，匯集相似的特征向量，將其輸入至卷積層，基于特征圖生成描述符對蠶繭的空間位置進行編碼，最后通過Sigmoid函數歸一化得到特征圖，空間注意力結構如圖5（b）所示。

本文對MSRCR算法預處理得到的高頻細節圖像，分別利用YOLOv3算法與改進的YOLOv3算法進行檢測，如圖6—圖8所示。對比圖7、圖8可知，改進算法檢測蠶繭高頻細節圖像時，特征圖熱區得到提升，有效疵點特征權重增大，可見網絡提取蠶繭特征的能力增強。

1.2.2 柔性非極大值抑制算法

在后期預測框處理階段，YOLOv3算法采用非極大值抑制算法（Non-Maximum Suppresion，NMS）篩選一定區域內屬于同一目標蠶繭的最高得分預測框，用于解決目標檢測過程中預測框重疊問題^[19]。NMS算法原理如式（4）^[20]所示。

S_i=S_i，iou（M，b_i）t0，iou（M，b_i）≥N_t（4）

式中：S_i是每個框通過分類計算器得到的分數;N_t是重疊區域比較的閾值，設定為0.5。

非極大值抑制算法對目標蠶繭預測框的分數進行排序，保留最高項，刪除與該項重合度大于閾值的其余預測框。

實際群體蠶繭識別過程中，由于分數最高的預測框會將該目標蠶繭區域內其余預測框刪除，而刪除預測框中恰好包括相鄰蠶繭的預測框，導致出現預測框缺失的問題。因此，本文通過對非極大值抑制算法增加線性加權函數與高斯加權函數的方法，引入柔性非極大值抑制算法Soft-NMS，在原算法基礎上增加一項與相鄰框的重合度計算。Soft-NMS的原理如式（5）（6）^[21]所示。09B613B9-6D44-4542-91B1-A1F0EE71EE1A

S_i=S_i，iou（M，b_i）tS_i·（1-iou（M，b_i）），iou（M，b_i）≥N_t（5）

S_i=S_i·exp^{-iou（M，b}_i^）2σ， b_iD??? （6）

式中：M為當前得分最高框，b_i為待處理框，D為所有處理完畢預測框的集合，σ為一個極小正數。

由算法原理可知，b_i與M的交并比（Intersection over Union，iou）越高，b_i的得分S_i就越低。改進算法通過降低高得分預測框內重合度大于閾值的預測框分數，優化預測框篩選策略。

NMS算法與Soft-NMS算法在測試集上的對比結果如表1所示。針對蠶繭相鄰距離過近造成預測框消失的問題，實驗中所用蠶繭圖像為距離較近擺放拍攝。由表1可見，在相同蠶繭檢測數量下，Soft-NMS正確率均高于NMS算法，表明YOLOv3算法采用柔性極大值抑制方法處理預測框可降低蠶繭漏檢率。

2 實驗與分析

實驗硬件環境：采用型號為AMD Ryzen5 2600X的CPU（超威半導體公司），型號為NVIDIA GTX 1660TiGPU的顯卡（英偉達公司）。軟件環境：Ubuntu 18.04操作系統，深度學習框架為Pytorch，編程語言采用Python。

2.1 數據集制作與模型訓練

數據集制作是深度學習訓練任務的基礎環節。為驗證本文算法對于群體蠶繭種類識別的適用性，將檢測機構及暗箱拍攝的上車繭、黃斑繭、爛繭標準圖像若干，經MSRCR圖像預處理后以PASCAL VOC2007數據集格式進行存儲，用于測試算法的精度與魯棒性。數據集共計蠶繭圖像1 200張，上述每種蠶繭各占1/3，訓練前均縮放至416×416像素。實驗訓練過程采用隨機梯度下降法，初始學習率設定為0.001，權重衰減系數為0.000 1。圖9為訓練模型所得損失值函數曲線，橫坐標表示訓練迭代次數，縱坐標為訓練過程中的損失值，損失值越低代表模型精度越高，最高迭代6 000次。

2.2 評價指標

實驗采用平均精度（Average Precision，AP）、準確率（Precision，P）、召回率（Recall，R）、均值平均精度與單張圖像檢測時間作為衡量群體蠶繭識別算法性能的指標。準確率與召回率的定義如式（7）（8）所示。

P_precision=TPTP+FP，R_recall=TPTP+FN??? （7）

M_AP=∑Nk=1（R（k+1）-R（k））·max[P（R（k+1）），P（R（k））]，M_mAP=1C·AP??? （8）

式中：TP為目標蠶繭被識別為正確種類的個數，FP為目標蠶繭被識別為錯誤種類的個數，FN為漏檢蠶繭的個數，C為數據集中蠶繭種類的數量，N為引用閾值的數量，k為閾值，P（k）、R（k）分別為準確率與召回率^[14]。

針對數據集分別使用目標檢測領域常用的YOLOv3-tiny算法、YOLOv3算法與本文提出的群體蠶繭識別算法進行比較，平均精度與均值平均精度檢測結果如圖10所示。對于同

一蠶繭種類，本文算法的平均精度均高于其他兩種算法，說明引入注意力機制有效提高算法對蠶繭特征的提取能力，同時采用柔性非極大值抑制算法能降低后期預測框的漏檢率，兩者結合可提升算法的檢測精度。對于實驗的三種蠶繭，平均精度均有上升，說明本文算法在滿足有效性的前提下，泛化能力較強。

為進一步比較三種算法的各項性能，本文增加準確率、召回率與對單張圖像的檢測時間，如表2所示。在精度指標上，本文算法對于同種蠶繭的準確率與召回率均高于YOLOv3-tiny、YOLOv3，在數據集上的mAP達到85.52%，相比YOLOv3-tiny、YOLOv3分別提升19.27%、4.85%，上車繭、黃斑繭和爛繭的AP相比改進前YOLOv3算法，分別得到4.30%、4.70%、5.53%的提升。從檢測單張圖像時間的開銷來看，改進YOLOv3算法單張蠶繭圖像的時間為30.1 ms，略高于YOLOv3，但在實際應用場景中可滿足實時性的要求。

本文算法與YOLOv3算法對比效果如圖11所示。圖11（a）中蠶繭圖像未經MSRCR圖像預處理，YOLOv3算法檢測得到的預測框范圍較大，對于關鍵特征的識別并不精準，算法經改進后，實際效果如圖11（d）所示，預測框的像素值范圍減小，說明對關鍵特征識別的定位精度得到提高。YOLOv3算法在圖11（b）中檢測相鄰緊密的蠶繭時出現漏檢，表明非極大值抑制算法處理重合度較大的預測框時存在缺陷，可通過Soft-NMS算法降低目標框內其余預測框分數的方式進行優化，效果如圖11（e）所示。圖11（c）中YOLOv3算法檢測時將一粒上車繭誤檢為黃斑繭，而圖11（f）中改進后的YOLOv3算法除正確識別其他繭外，也正確識別該繭為上車繭。

3 結 論

為提高YOLOv3算法對群體蠶繭識別的準確率，本文提出一種基于MSRCR與注意力機制的群體蠶繭智能識別算法。本文算法首先利用MSRCR預處理蠶繭原圖得到高頻細節圖像，減小光照對算法精度的影響。其次通過修改主干特征提取網絡的殘差層引入注意力機制，融合模型訓練過程中不同通道間蠶繭的有效疵點特征。最后采用Soft-NMS算法優化后期預測框的篩除策略，降低算法的漏檢率與誤檢率。對比實驗結果表明，改進后的YOLOv3算法在滿足實時性的要求下，對群體蠶繭種類識別的精度得到提高。09B613B9-6D44-4542-91B1-A1F0EE71EE1A

參考文獻：

[1]王超， 劉文烽， 胡紫東. 并聯機器人在蠶繭分揀系統中的應用研究[J]. 企業科技與發展， 2018（4）： 87-90.

WANG Chao， LIU Wenfeng， HU Zidong. Research on the application of parallel robots in cocoon sorting system[J]. Sci-Tech & Development of Enterprise， 2018（4）： 87-90.

[2]金君， 邢秋明. 蠶繭質量無損檢測方法的探討[J]. 中國纖檢， 2012（9）： 64-66.

JIN Jun， XING Qiuming. Discussion onnon-destructive examination of cocoon quality[J]. China Fiber Inspection， 2012（9）： 64-66.

[3]陳浩， 楊崢， 劉霞， 等. 基于Matlab的桑蠶繭選繭輔助檢驗方法的研究[J]. 絲綢， 2016， 53（3）： 32-36.

CHEN Hao， YANG Zheng， LIU Xia， et al. Study on auxiliary testing method for mulberry silkworm cocoon sorting based on Matlab[J]. Journal of Silk， 2016， 53（3）： 32-36.

[4]宋亞杰， 謝守勇， 冉瑞龍. 機器視覺技術在蠶繭無損檢測中的應用研究[J]. 現代農業裝備， 2006（9）： 48-51.

SONG Yaljie， XIE Shouyong， RAN Ruilong. Applied research on machine vision technology in non-destructive test of cocoon[J]. Modern Agricultural Equipments， 2006（9）： 48-51.

[5]孫衛紅， 黃志鵬， 梁曼， 等. 基于顏色特征和支持向量機的蠶繭分類方法研究[J]. 蠶業科學， 2020， 46（1）： 86-95.

SUN Weihong， HUANG Zhipeng， LIANG Man， et al. Cocoon classification method based on color feature and support vector machine[J]. Acta Sericologica Sinica， 2020， 46（1）： 86-95.

[6]曹詩雨， 劉躍虎， 李辛昭. 基于Fast R-CNN的車輛目標檢測[J]. 中國圖象圖形學報， 2017， 22（5）： 671-677.

CAO Shiyu， LIU Yuehu， LI Xinzhao. Vehicle detection method based on Fast R-CNN[J]. Journal of Image and Graphics， 2017， 22（5）： 671-677.

[7]彭紅星， 黃博， 邵園園， 等. 自然環境下多類水果采摘目標識別的通用改進SSD模型[J]. 農業工程學報， 2018， 34（16）： 155-162.

PENG Hongxing， HUANG Bo， SHAO Yuanyuan， et al. General improved SSD model for picking object recognition of multiple fruits in natural environment[J]. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（16）： 155-162.

[8]LOEY M， MANOGARAN G， TAHA M H N， et al. Fighting against COVID-19： A novel deep learning model based on YOLO-v2 with ResNet-50 for medical face mask detection[J]. Sustainable Cities and Society， 2021， 65（2）： 102600.

[9]趙德安， 吳任迪， 劉曉洋， 等. 基于YOLO深度卷積神經網絡的復雜背景下機器人采摘蘋果定位[J]. 農業工程學報， 2019， 35（3）： 164-173.

ZHAO Dean， WU Rendi， LIU Xiaoyang， et al. Apple positioning based on YOLO deep convolutional neural network for picking robot in complex background[J]. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（3）： 164-173.

[10]熊俊濤， 鄒湘軍， 王紅軍， 等. 基于Retinex圖像增強的不同光照條件下的成熟荔枝識別[J]. 農業工程學報， 2013， 29（12）： 170-178.

XIONG Juntao， ZOU Xiangjun， WANG Hongjun， et al. Recognition of ripe litchi in different illumination conditions based on Retinex image enhancement[J]. Transactions of the Chinese Society of Agricultural Engineering， 2013， 29（12）： 170-178.09B613B9-6D44-4542-91B1-A1F0EE71EE1A

[11]LAND E H. An alternative technique for the computation of the designator in the retinex theory of color vision[J]. Proceedings of the National Academy of Sciences of the United States of America， 1986， 83（10）： 3078-3080.

[12]JOBSON D J， RAHMAN Z， WOODELL G A. A multiscale retinex for bridging the gap between color images and the human observation of scenes[J]. IEEE Transactions on Image Processing： A Publication of the IEEE Signal Processing Society， 1997， 6（7）： 965-976.

[13]HUSSEIN R， HAMODI Y I， SABRI R A. Retinex theory for color image enhancement： A systematic review[J]. International Journal of Electrical and Computer Engineering， 2019， 9（6）： 5560-5569.

[14]黎洲， 黃妙華. 基于YOLO_v2模型的車輛實時檢測[J]. 中國機械工程， 2018， 29（15）： 1869-1874.

LI Zhou， HUANG Miaohua. Vehicle detections based on YOLO_v2 in real-time[J]. China Mechanical Engineering， 2018， 29（15）： 1869-1874.

[15]REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2016： 779-788.

[16]蔡逢煌， 張岳鑫， 黃捷. 基于YOLOv3與注意力機制的橋梁表面裂痕檢測算法[J]. 模式識別與人工智能， 2020， 33（10）： 926-933.

CAI Fenghuang， ZHANG Yuexin， HUANG Jie. Bridge surface crack detection algorithm based on YOLOv3 and attention mechanism[J]. Pattern Recognition and Artificial Intelligence， 2020， 33（10）： 926-933.

[17]FU Huixuan， SONG Guoqing， WANG Yuchao. Improved YOLOv4 marine target detection combined with CBAM[J]. Symmetry， 2021， 13（4）： 623-637.

[18]蔣镕圻， 彭月平， 謝文宣， 等. 嵌入scSE模塊的改進YOLOv4小目標檢測算法[J]. 圖學學報， 2021， 42（4）： 546-555.

JIANG Rongqi， PENG Yueping， XIE Wenxuan， et al. Improved YOLOv4 small target detection algorithm with embedded scSE module[J]. Journal of Graphics， 2021， 42（4）： 546-555.

[19]趙文清， 嚴海， 邵緒強. 改進的非極大值抑制算法的目標檢測[J]. 中國圖象圖形學報， 2018， 23（11）： 1676-1685.

ZHAO Wenqing， YAN Hai， SHAO Xuqiang. Objection detection based on improved non-maximum suppression algorithm[J]. Journal of Image and Graphics， 2018， 23（11）： 1676-1685.

[20]WU G， LI Y. Non-maximum suppression for object detection based on the chaotic whale optimization algorithm[J]. Journal of Visual Communication and Image Representation， 2021， 74（1）： 102985.

[21]徐利鋒， 黃海帆， 丁維龍， 等. 基于改進DenseNet的水果小目標檢測[J]. 浙江大學學報（工學版）， 2021， 55（2）： 377-385.

XU Lifeng， HUANG Haifan， DING Weilong， et al. Detection of small fruit target based on improved DenseNet[J]. Journal of Zhejiang University （Engineering Science）， 2021， 55（2）： 377-385.09B613B9-6D44-4542-91B1-A1F0EE71EE1A

Intelligence recognition algorithm of group cocoons based on MSRCR and CBAM

SUN Weihong1， YANG Chengjie1， SHAO Tiefeng1， LIANG Man1， ZHENG Jian2

（1a.College of Mechanical and Electrical Engineering; 1b.Cocoon and Silk Quality Inspection Technology Institute， China Jiliang University，Hangzhou 310018， China; 2.Jiangxi Market Supervision Management Quality and Safety Inspection Center， Nanchang 330096， China）

Abstract：Silk， as a "national treasure" that has accumulated thousands of years of civilization， is one of the very few advantageous industries in China that can dominate the international market. The silk industry plays an economic， ecological and social role， and has made important contributions to farmers prosperity， employment expansion， ecological protection and export earnings. The quality of silk is closely related to the control of the type of cocoon at the sorting stage. Sensory testing is still the main mode of cocoon sorting in China at this stage， that is， the silk reeling enterprise requires inspectors to classify the raw material cocoon according to national standards by original methods such as eye and hand touch. Cocoon sorting requires a high quality of inspectors who should not only have rich experience in sorting， standardized operation and smooth vision， but also have a deep understanding of the technical standards for cocoon sorting. The high technical requirements are a test for the technical personnel of the enterprise and increase the management and training costs of the enterprise.

In order to solve the problems of high labor cost and low efficiency in the traditional sorting process， this paper implements the intelligent identification of group cocoon species based on multi-scale retinex with color restoration and convolution block attention module. Because the surface of the cocoon collected in the experiment is susceptible to light， some areas are less visible. In this paper， from the perspective of restoring the surface color of the cocoon， multi-scale color recovery of the collected images is carried out. The MSRCR algorithm uses the Gaussian function to perform low-pass filtering on the original map of the cocoon at multiple scales to highlight the defect characteristics of the surface. In order to solve the problem of distortion of cocoon images due to local contrast enhancement， this paper uses color recovery factors to highlight the information of darker areas. Secondly， when the YOLOv3 algorithm is applied to the identification and detection of group silkworm cocoons， the identification of small and medium-sized targets is defective， and it is very easy to have the problem of false detection. This article introduces convolution block attention module by modifying the residual layer. Convolution block attention module includes channel attention module （CAM） and spatial attention module （SAM）. The convolution block attention module derives the weights along the two independent dimensions of the channel and space on the cocoon feature map of the middle layer of the network， multiplies the weights with the input feature map， divides the effective defect features and invalid background features in the image， and performs adaptive feature refinement. In the later prediction frame processing stage， the YOLOv3 algorithm uses a non-maximum suppresion （NMS） algorithm to filter the highest score prediction box belonging to the same cocoon in a certain area， which is prone to missed detection. In this paper， the flexible non-maximum suppression algorithm Soft-NMS is introduced by adding a linear weighted function and a Gaussian weighted function to the non-maximum suppression algorithm， and a coincidence calculation with adjacent boxes is added on the basis of the original algorithm to effectively solve the problem of missed detection of silkworm cocoons. On this basis， in this paper， reelable cocoon， yellow spotted cocoon and decay cocoon were used as research objects to make a cocoon species dataset and carry out control experiments. Experimental results show that in terms of accuracy correlation indicators， the accuracy of the proposed algorithm for the same kind of cocoon is better than that of the YOLov3 algorithm. Mean average precision is 4.85% better than the original algorithm. In terms of the detection time of a single image， the proposed algorithm only needs 30.1 ms， which meets the requirements of the real-time accuracy of the algorithm in the actual sorting process.

In order to improve the accuracy of YOLOv3 on the population cocoon detection algorithm， this paper proposes a group cocoon intelligent identification algorithm based on MSRCR and attention mechanism. However， due to the existing equipment conditions， there is a problem of incomplete acquisition in the sample image collection process of this article. How to improve the integrity of the acquisition of defect images on the surface of the cocoon is still worth further research by follow-up researchers.

Key words：cocoon; intelligent recognition; MSRCR algorithm; YOLOv3 algorithm; convolution block attention module; NMS algorithm09B613B9-6D44-4542-91B1-A1F0EE71EE1A