CN111797760A - 基于Retinanet改进的农作物病虫害识别方法 - Google Patents

基于Retinanet改进的农作物病虫害识别方法 Download PDF

Info

Publication number
CN111797760A
CN111797760A CN202010633107.5A CN202010633107A CN111797760A CN 111797760 A CN111797760 A CN 111797760A CN 202010633107 A CN202010633107 A CN 202010633107A CN 111797760 A CN111797760 A CN 111797760A
Authority
CN
China
Prior art keywords
feature
retianet
convolution
method based
identification method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010633107.5A
Other languages
English (en)
Inventor
李礁
甘波
钟乐海
邢伟寅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mianyang Polytechnic
Original Assignee
Mianyang Polytechnic
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mianyang Polytechnic filed Critical Mianyang Polytechnic
Priority to CN202010633107.5A priority Critical patent/CN111797760A/zh
Publication of CN111797760A publication Critical patent/CN111797760A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Retinanet改进的农作物病虫害识别方法，属于计算机视觉技术领域，对Retinanet的特征提取网络改进成了DenseNet，每个层都会与前面所有层在Channel维度上连接，并作为下一层的输入，相比ResNet，这是一种密集连接。并且DenseNet是直接concat来自不同层的特征图，这可以实现特征重用，利用计算机视觉技术对农作物病虫害进行识别判断，能够准确，快速地识别出病虫害的种类，减少因人为经验不足而造成的病虫害误判，滥用农药造成的不良影响。基于Retinanet改进的农作物害虫识别方法可以在复杂的农田环境中，克服来自然环境的影响，提高农作物害虫害的识别率。

Description

基于Retinanet改进的农作物病虫害识别方法
技术领域
本发明属于计算机视觉技术领域，具体为一种基于Retinanet改进的农作物病虫害识别方法。
背景技术
病虫害对农林业的影响很大，农作物其容易发生病虫害，包括炭疽病、油茶软腐病、油茶煤污病、油茶白绢病等，病虫害会导致减产、品质降低等一系列问题，长期大量使用农药、化肥等容易导致环境污染，影响生态平衡。
因此合理安全地使用化肥、农药等是目前非常重要的研究，保证既可以有效地消灭农作物的病虫害，又能够合理的使用农药。其中非常关键的技术就是必须精确地获知农作物的生长状态信息和受害的病种信息等，当准确地获知到受害的病种信息后，可以更优针对性地选择科学、高效的病虫害防治方法。在现代信息技术的推动下，依靠数字图像处理和分析、统计分析识别等准确、快捷地识别植物的健康状态、病虫害状态意义重大。
发明内容
(一)解决的技术问题
为了克服现有技术的上述缺陷，本发明提供了一种基于Retinanet改进的农作物病虫害识别方法，解决了上述背景技术中提到的问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种基于Retinanet改进的农作物病虫害识别方法，包含以下步骤：
(1)使用自己手工标注的农作物病虫数据集，采用Mosaic对数据进行增强，将数据集的图像数据按照3:1:1的比例分为训练集、验证集和测试集；
(2)对Retinanet的特征提取网络进行改进，使用DensetNet替换进行特征提取；
(3)利用训练集和测试集对改进后的Retinanet神经网络进行训练，获取改进后的Retinanet神经网络的检测模型；
(4)对测试集的检测结果进行精度和实时性评价。
作为本发明的进一步方案：所述步骤(1)中所描述的训练集、验证集、测试集相互独立。
作为本发明的进一步方案：所述利用训练集和验证集对Retinanet神经网络进行训练，获取基于Retinanet改进的农作物害虫识别的模型过程如下：
将训练集的图像数据调整为正方形，然后进行归一化，并将归一化的数据输入backbone，利用DensetNet进行特征提取得到3种不同感受野的特征图C3，C4，C5，分别将3种不同尺寸的特征图输入至Retinanet的FPN部分，进行上采样和特征融合后分别得到以上3个不同尺度和感受野的特征金字塔张量数据P3，P4，P5，同时将感受野最大但是特征图尺寸最小的特征图C5进行1次stride为2的卷积操作，得到特征金字塔张量数据P6，将P6进行1次stride为2的卷积操作，得到特征金字塔张量数据P7。2个感受野小且尺寸最大的金字塔张量数据负责小目标的检测(P3，P4)，2个感受野最大但是特征图尺寸最小的特征金字塔张量数据负责大目标的检测(P6，P7)，1个感受野居中同时特征图尺寸居中的金字塔张量数据负责中等大小目标的检测(P5)，然后分别输入SubNets(包含分类子网络和框回归子网络)，通过损失函数对张量数据相对于真实值进行计算，并通过反向传播求取梯度，进行权重更新，同时利用验证集进行验证，最终得到基于Retinanet改进的农作物害虫识别模型。
作为本发明的进一步方案：所述Retinanet神经网络部分包含以下步骤：
1、归一化处理以后的图像，经过一个7×7的卷积后尺寸缩小一半，随后经过一个MaxPooling层，尺寸缩小一半，随后经过1个DenseBlock，在经过一个Transition layer(1个1×1的卷积+1个2×2平均池化层组成)，得到我们得到感受野最小且尺寸最大的特征图C3。
2、感受野最小但是尺寸最大的特征图依次经过一个DenseBlock，在经过一个Transition layer，得到感受野次小且尺寸第二的特征图C4。
3、感受野次小且尺寸第二的特征图依次经过一个DenseBlock，在经过一个Transition layer，得到感受野中等且尺寸第三的特征图C5。
作为本发明的进一步方案：所述Retinanet神经网络部分包含以下步骤：DenseBlock为6个(1×1和3×3)的卷积和Dense connection的运算过程，TransitionLayer为1个1×1的卷积和1个2×2的卷积。
作为本发明的进一步方案：所述Retinanet的FPN部分具体过程如下：
通过FPN的特征融合，得到特征金字塔的有效特征层P3，P4，P5，P6，P7；
A.C5通过3x3的卷积核，步长为2的卷积得到的是有效特征层P6，P6的基础上加了个RELU再通过3x3的卷积核，步长为2的卷积得到的有效特征层P7；
B.C5经过1x1的卷积核，步长为1的卷积得到P5；
C.P5按照C4的Shape经过上采样得到P5_UpSampled；
D.P5再通过3x3的卷积核，步长为1的卷积得到有效特征层P5；
E.C4经过1x1的卷积核，步长为1的卷积后加上P5_UpSampled得到P4；
F.P4按照C3的Shape经过上采样得到P4_UpSampled；
G.P4经过3x3的卷积核，步长为1的卷积得到有效特征层P4；
H.C3经过1x1的卷积核，步长为1的卷积的得到P3；
I.P3加上P4_UpSampled，在经过3x3的卷积核，步长为1的卷积得到有效特征层P3。
作为本发明的进一步方案：SubNets(包含分类子网络和框回归子网络)
A.分类子网络采用4次256通道的卷积和1次num_priors x num_classes的卷积，num_priors指的是该特征层所拥有的先验框数量，num_classes指的是网络一共对多少类的害虫进行检测。
B.框回归子网络采用4次256通道的卷积和1次num_priors x 4的卷积，num_priors指的是该特征层所拥有的先验框数量，4指的是先验框的调整情况。
C.有效特征层P3、P4、P5、P6、P7所用的分类子网络是同一个分类子网络；每个特征层所用的框回归子网络是同一个框回归子网络。
作为本发明的进一步方案：以mAP作为评价精度的指标，评价指标mAp的计算过程如下：
①计算IOU，即通过Retinanet神经网络的预测的框与实际框的面积交并比，IOU越大代表预测框与实际框更贴合，IOU的阈值大于0.5代表正确预测，具体公式如下：
Figure BDA0002566527190000041
其中Area of Overlap代表预测框和实际的框的交集区域面积，
Area of Union代表预测框和实际的框的并集区域面积
②计算某一张图像类B的精度：
Figure BDA0002566527190000051
其中，N(TruePositons)b代表某一张图片中正确预测的类别B的数量，N(TotalOjects)b代表某一张图中类别B的实际数量，Precisionb代表某一张图片中类别B的精度。
③计算测试集所有图像类B的平均精度，具体公式如下：
Figure BDA0002566527190000052
∑Precesionb其中代表测试集所有图像的类别B的精度之和，N(TotalIm ages)b代表测试集中含有类别B的图像数目，AveragePrecesionb代表类别B的平均精度。
④计算mAP，具体公式如下：
Figure BDA0002566527190000053
其中，∑AveragePrecesion代表测试集所有类别的平均精度之和，N(classes)代表测试集的类别之和，MeanAveragePrecesion代表mAp，即均值平均精度。
作为本发明的进一步方案：以FPS为评价实时性的指标，所述FPS由程序统计检测每张图片所需时间，FPS表示图片检测的速率。
(三)有益效果
与现有技术相比，本发明的有益效果在于：对Retinanet的特征提取网络改进成了DenseNet，每个层都会与前面所有层在Channel维度上连接，并作为下一层的输入，相比ResNet，这是一种密集连接。并且DenseNet是直接concat来自不同层的特征图，这可以实现特征重用，提高深度网络模型对农作物害虫的识别率。白叶枯病、稻曲病、稻瘟病、胡麻斑病、赤霉病、梭条斑花叶病、叶锈病、大斑病、小斑病、玉米锈病的检测精度分别为71.4％、70.7％、73.3％、74.1％、73.8％、74.9％、72.6％、73.8％、72.7％、71.9％，检测速度0.2s/张，本发明检测所述的方法具有较高的检测精度和良好的实时性，利用计算机视觉技术对农作物病虫害进行识别判断，能够准确，快速地识别出病虫害的种类，减少因人为经验不足而造成的病虫害误判，滥用农药造成的不良影响。基于Retinanet改进的农作物害虫识别方法可以在复杂的农田环境中，克服来自然环境的影响，提高农作物害虫害的识别率。
附图说明
图1为本发明神经网络结构图；
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
如图1所示，本发明提供一种技术方案：一种基于Retinanet改进的农作物病虫害识别方法，包含以下步骤：
(1)使用自己手工标注的农作物病虫数据集，采用Mosaic对数据进行增强，将数据集的图像数据按照3:1:1的比例分为训练集、验证集和测试集；
(2)对Retinanet的特征提取网络进行改进，使用DensetNet替换进行特征提取；
(3)利用训练集和测试集对改进后的Retinanet神经网络进行训练，获取改进后的Retinanet神经网络的检测模型；
(4)对测试集的检测结果进行精度和实时性评价。
步骤(1)中所描述的训练集、验证集、测试集相互独立。
利用训练集和验证集对Retinanet神经网络进行训练，获取基于Retinanet改进的农作物害虫识别的模型过程如下：
将训练集的图像数据调整为正方形，然后进行归一化，并将归一化的数据输入backbone，利用DensetNet进行特征提取得到3种不同感受野的特征图C3，C4，C5，分别将3种不同尺寸的特征图输入至Retinanet的FPN部分，进行上采样和特征融合后分别得到以上3个不同尺度和感受野的特征金字塔张量数据P3，P4，P5，同时将感受野最大但是特征图尺寸最小的特征图C5进行1次stride为2的卷积操作，得到特征金字塔张量数据P6，将P6进行1次stride为2的卷积操作，得到特征金字塔张量数据P7。2个感受野小且尺寸最大的金字塔张量数据负责小目标的检测(P3，P4)，2个感受野最大但是特征图尺寸最小的特征金字塔张量数据负责大目标的检测(P6，P7)，1个感受野居中同时特征图尺寸居中的金字塔张量数据负责中等大小目标的检测(P5)，然后分别输入SubNets(包含分类子网络和框回归子网络)，通过损失函数对张量数据相对于真实值进行计算，并通过反向传播求取梯度，进行权重更新，同时利用验证集进行验证，最终得到基于Retinanet改进的农作物害虫识别模型。
Retinanet神经网络部分包含以下步骤：
1、归一化处理以后的图像，经过一个7×7的卷积后尺寸缩小一半，随后经过一个MaxPooling层，尺寸缩小一半，随后经过1个DenseBlock，在经过一个Transition layer(1个1×1的卷积+1个2×2平均池化层组成)，得到我们得到感受野最小且尺寸最大的特征图C3。
2、感受野最小但是尺寸最大的特征图依次经过一个DenseBlock，在经过一个Transition layer，得到感受野次小且尺寸第二的特征图C4。
3、感受野次小且尺寸第二的特征图依次经过一个DenseBlock，在经过一个Transition layer，得到感受野中等且尺寸第三的特征图C5。
所述Retinanet神经网络部分包含以下步骤：DenseBlock为6个(1×1和3×3)的卷积和Dense connection的运算过程，Transition Layer为1个1×1的卷积和1个2×2的卷积。
所述Retinanet的FPN部分具体过程如下：
通过FPN的特征融合，得到特征金字塔的有效特征层P3，P4，P5，P6，P7；
A.C5通过3x3的卷积核，步长为2的卷积得到的是有效特征层P6，P6的基础上加了个RELU再通过3x3的卷积核，步长为2的卷积得到的有效特征层P7；
B.C5经过1x1的卷积核，步长为1的卷积得到P5；
C.P5按照C4的Shape经过上采样得到P5_UpSampled；
D.P5再通过3x3的卷积核，步长为1的卷积得到有效特征层P5；
E.C4经过1x1的卷积核，步长为1的卷积后加上P5_UpSampled得到P4；
F.P4按照C3的Shape经过上采样得到P4_UpSampled；
G.P4经过3x3的卷积核，步长为1的卷积得到有效特征层P4；
H.C3经过1x1的卷积核，步长为1的卷积的得到P3；
I.P3加上P4_UpSampled，在经过3x3的卷积核，步长为1的卷积得到有效特征层P3。
SubNets(包含分类子网络和框回归子网络)
A.分类子网络采用4次256通道的卷积和1次num_priors x num_classes的卷积，num_priors指的是该特征层所拥有的先验框数量，num_classes指的是网络一共对多少类的害虫进行检测。
B.框回归子网络采用4次256通道的卷积和1次num_priors x 4的卷积，num_priors指的是该特征层所拥有的先验框数量，4指的是先验框的调整情况。
C.有效特征层P3、P4、P5、P6、P7所用的分类子网络是同一个分类子网络；每个特征层所用的框回归子网络是同一个框回归子网络。
以mAP作为评价精度的指标，评价指标mAp的计算过程如下：
①计算IOU，即通过Retinanet神经网络的预测的框与实际框的面积交并比，IOU越大代表预测框与实际框更贴合，IOU的阈值大于0.5代表正确预测，具体公式如下：
Figure BDA0002566527190000091
其中Area of Overlap代表预测框和实际的框的交集区域面积，
Area of Union代表预测框和实际的框的并集区域面积
②计算某一张图像类B的精度：
Figure BDA0002566527190000092
其中，N(TruePositons)b代表某一张图片中正确预测的类别B的数量，N(TotalOjects)b代表某一张图中类别B的实际数量，Precisionb代表某一张图片中类别B的精度。
③计算测试集所有图像类B的平均精度，具体公式如下：
Figure BDA0002566527190000093
∑Precesionb其中代表测试集所有图像的类别B的精度之和，N(TotalIm ages)b代表测试集中含有类别B的图像数目，AveragePrecesionb代表类别B的平均精度。
④计算mAP，具体公式如下：
Figure BDA0002566527190000094
其中，∑AveragePrecesion代表测试集所有类别的平均精度之和，N(classes)代表测试集的类别之和，MeanAveragePrecesion代表mAp，即均值平均精度。
以FPS为评价实时性的指标，所述FPS由程序统计检测每张图片所需时间，FPS表示图片检测的速率。
图像采集设备为Canon EOS 80D型数码单反相机，配备佳能EF 17-40mm f/4L USM镜头与佳能EF 100mm f/2.8L IS USM微距镜头。拍摄时采用相机的最优画质与最大分辨率5472×3648，其中佳能数码单反相机采用原始的RAW格式，其后在计算机上使用佳能Digital Photo Professional软件将RAW文件转化为JPG图像文件，索尼数码相机直接采用JPG格式进行拍摄。拍摄时采用光圈优先模式，调整适当的光圈使得图像景深足够大，以保障被拍摄的农作物器官在画面中有一定的清晰度。通过图像采集得到的数据集包括水稻、小麦和玉米3种农作物的10种病虫害图像。每种病虫害图片300张左右，同时对这10种病虫害在数据集图片中的位置进行标注。
训练集 测试集 验证集
2250 750 750
采用Mosaic对数据进行增强，对数据集的图片按照3:1:1的比例分为训练集、验证集和测试集。训练集2250张，测试集750张，验证集750张。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

Claims (9)

1.一种基于Retinanet改进的农作物病虫害识别方法，其特征在于：包含以下步骤：
（1）使用自己手工标注的农作物病虫数据集，采用Mosaic对数据进行增强，将数据集的图像数据按照3:1:1的比例分为训练集、验证集和测试集；
（2）对Retinanet的特征提取网络进行改进，使用DensetNet替换进行特征提取；
（3）利用训练集和测试集对改进后的Retinanet神经网络进行训练，获取改进后的Retinanet神经网络的检测模型；
（4）对测试集的检测结果进行精度和实时性评价。
2.根据权利要求1所述的一种基于Retinanet改进的农作物病虫害识别方法，其特征在于：所述步骤(1)中所描述的训练集、验证集、测试集相互独立。
3.根据权利要求1所述的一种基于Retinanet改进的农作物病虫害识别方法，其特征在于：所述利用训练集和验证集对Retinanet神经网络进行训练，获取基于Retinanet改进的农作物害虫识别的模型过程如下：
将训练集的图像数据调整为正方形，然后进行归一化，并将归一化的数据输入backbone，利用DensetNet进行特征提取得到3种不同感受野的特征图C3，C4，C5，分别将3种不同尺寸的特征图输入至Retinanet的FPN部分，进行上采样和特征融合后分别得到以上3个不同尺度和感受野的特征金字塔张量数据P3，P4，P5，同时将感受野最大但是特征图尺寸最小的特征图C5进行1次stride为2的卷积操作，得到特征金字塔张量数据P6，将P6进行1次stride为2的卷积操作，得到特征金字塔张量数据P7；
2个感受野小且尺寸最大的金字塔张量数据负责小目标的检测（P3，P4），2个感受野最大但是特征图尺寸最小的特征金字塔张量数据负责大目标的检测(P6，P7)，1个感受野居中同时特征图尺寸居中的金字塔张量数据负责中等大小目标的检测(P5)，然后分别输入SubNets(包含分类子网络和框回归子网络)，通过损失函数对张量数据相对于真实值进行计算，并通过反向传播求取梯度，进行权重更新，同时利用验证集进行验证，最终得到基于Retinanet改进的农作物害虫识别模型。
4.根据权利要求3所述的一种基于Retinanet改进的农作物病虫害识别方法，其特征在于：所述Retinanet神经网络部分包含以下步骤：
1、归一化处理以后的图像，经过一个7×7的卷积后尺寸缩小一半，随后经过一个MaxPooling层，尺寸缩小一半，随后经过1个DenseBlock，在经过一个Transition layer（1个1×1的卷积+1个2×2平均池化层组成），得到我们得到感受野最小且尺寸最大的特征图C3；
2、感受野最小但是尺寸最大的特征图依次经过一个DenseBlock，在经过一个Transition layer，得到感受野次小且尺寸第二的特征图C4；
3、感受野次小且尺寸第二的特征图依次经过一个DenseBlock，在经过一个Transitionlayer，得到感受野中等且尺寸第三的特征图C5。
5.根据权利要求1所述的一种基于Retinanet改进的农作物病虫害识别方法，其特征在于：所述Retinanet神经网络部分包含以下步骤：DenseBlock为6个（1×1和3×3）的卷积和Dense connection的运算过程，Transition Layer为1个1×1的卷积和1个2×2的卷积。
6.根据权利要求3所述的一种基于Retinanet改进的农作物病虫害识别方法，其特征在于：所述Retinanet的FPN部分具体过程如下：
通过FPN的特征融合，得到特征金字塔的有效特征层P3，P4，P5，P6，P7；
A.C5通过3x3的卷积核，步长为2的卷积得到的是有效特征层P6，P6的基础上加了个RELU再通过3x3的卷积核，步长为2的卷积得到的有效特征层P7；
B.C5经过1x1的卷积核，步长为1的卷积得到P5；
C.P5按照C4的Shape经过上采样得到P5_UpSampled；
D.P5再通过3x3的卷积核，步长为1的卷积得到有效特征层P5；
E.C4经过1x1的卷积核，步长为1的卷积后加上P5_UpSampled得到P4；
F.P4按照C3的Shape经过上采样得到P4_UpSampled；
G.P4经过3x3的卷积核，步长为1的卷积得到有效特征层P4；
H.C3经过1x1的卷积核，步长为1的卷积的得到P3；
I.P3加上P4_UpSampled，在经过3x3的卷积核，步长为1的卷积得到有效特征层P3。
7.根据权利要求3所述的一种基于Retinanet改进的农作物病虫害识别方法，其特征在于：SubNets(包含分类子网络和框回归子网络)
A.分类子网络采用4次256通道的卷积和1次num_priors x num_classes的卷积，num_priors指的是该特征层所拥有的先验框数量，num_classes指的是网络一共对多少类的害虫进行检测；
B.框回归子网络采用4次256通道的卷积和1次num_priors x 4的卷积，num_priors指的是该特征层所拥有的先验框数量，4指的是先验框的调整情况；
C.有效特征层P3、P4、P5、P6、P7所用的分类子网络是同一个分类子网络；每个特征层所用的框回归子网络是同一个框回归子网络。
8.根据权利要求1所述的一种基于Retinanet改进的农作物病虫害识别方法，其特征在于：以mAP作为评价精度的指标，评价指标mAp的计算过程如下：
①计算IOU，即通过Retinanet神经网络的预测的框与实际框的面积交并比，IOU越大代表预测框与实际框更贴合，IOU的阈值大于0.5代表正确预测，具体公式如下：
Figure 564297DEST_PATH_IMAGE001
其中Area of Overlap代表预测框和实际的框的交集区域面积，
Area of Union代表预测框和实际的框的并集区域面积
②计算某一张图像类B的精度：
Figure 419120DEST_PATH_IMAGE002
其中，
Figure 136541DEST_PATH_IMAGE003
代表某一张图片中正确预测的类别B的数量，
Figure 469433DEST_PATH_IMAGE004
代 表某一张图中类别B的实际数量，
Figure 221488DEST_PATH_IMAGE005
代表某一张图片中类别B的精度；
③计算测试集所有图像类B的平均精度，具体公式如下：
Figure 43951DEST_PATH_IMAGE006
Figure 248667DEST_PATH_IMAGE007
其中代表测试集所有图像的类别B的精度之和，
Figure 385251DEST_PATH_IMAGE008
代表测 试集中含有类别B的图像数目，
Figure 991812DEST_PATH_IMAGE009
代表类别B的平均精度；
④计算mAP，具体公式如下：
Figure 922859DEST_PATH_IMAGE010
其中，
Figure 609012DEST_PATH_IMAGE011
代表测试集所有类别的平均精度之和，
Figure 283707DEST_PATH_IMAGE012
代表测试 集的类别之和，
Figure 744776DEST_PATH_IMAGE013
代表mAp，即均值平均精度。
9.根据权利要求1所述的一种基于Retinanet改进的农作物病虫害识别方法，其特征在于：以FPS为评价实时性的指标，所述FPS由程序统计检测每张图片所需时间，FPS表示图片检测的速率。
CN202010633107.5A 2020-07-02 2020-07-02 基于Retinanet改进的农作物病虫害识别方法 Pending CN111797760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010633107.5A CN111797760A (zh) 2020-07-02 2020-07-02 基于Retinanet改进的农作物病虫害识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010633107.5A CN111797760A (zh) 2020-07-02 2020-07-02 基于Retinanet改进的农作物病虫害识别方法

Publications (1)

Publication Number Publication Date
CN111797760A true CN111797760A (zh) 2020-10-20

Family

ID=72811186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010633107.5A Pending CN111797760A (zh) 2020-07-02 2020-07-02 基于Retinanet改进的农作物病虫害识别方法

Country Status (1)

Country Link
CN (1) CN111797760A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487862A (zh) * 2020-10-28 2021-03-12 南京云牛智能科技有限公司 基于改进EfficientDet模型的车库行人检测方法
CN112686152A (zh) * 2020-12-30 2021-04-20 广西慧云信息技术有限公司 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法
CN113435425A (zh) * 2021-08-26 2021-09-24 绵阳职业技术学院 一种基于递归多特征融合的野生动物出没检测方法
CN113903043A (zh) * 2021-12-11 2022-01-07 绵阳职业技术学院 一种基于孪生度量模型的印刷汉字字体识别方法
CN114743023A (zh) * 2022-06-14 2022-07-12 安徽大学 一种基于RetinaNet模型的麦蜘蛛图像检测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487862A (zh) * 2020-10-28 2021-03-12 南京云牛智能科技有限公司 基于改进EfficientDet模型的车库行人检测方法
CN112487862B (zh) * 2020-10-28 2021-07-02 南京云牛智能科技有限公司 基于改进EfficientDet模型的车库行人检测方法
CN112686152A (zh) * 2020-12-30 2021-04-20 广西慧云信息技术有限公司 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法
CN112686152B (zh) * 2020-12-30 2023-06-09 广西慧云信息技术有限公司 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法
CN113435425A (zh) * 2021-08-26 2021-09-24 绵阳职业技术学院 一种基于递归多特征融合的野生动物出没检测方法
CN113435425B (zh) * 2021-08-26 2021-12-07 绵阳职业技术学院 一种基于递归多特征融合的野生动物出没检测方法
CN113903043A (zh) * 2021-12-11 2022-01-07 绵阳职业技术学院 一种基于孪生度量模型的印刷汉字字体识别方法
CN113903043B (zh) * 2021-12-11 2022-05-06 绵阳职业技术学院 一种基于孪生度量模型的印刷汉字字体识别方法
CN114743023A (zh) * 2022-06-14 2022-07-12 安徽大学 一种基于RetinaNet模型的麦蜘蛛图像检测方法

Similar Documents

Publication Publication Date Title
CN111797760A (zh) 基于Retinanet改进的农作物病虫害识别方法
Jasim et al. Plant leaf diseases detection and classification using image processing and deep learning techniques
CN109325431B (zh) 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置
CN112270347A (zh) 一种基于改进ssd的医疗废弃物分类检测方法
CN109344883A (zh) 一种基于空洞卷积的复杂背景下果树病虫害识别方法
CN111178120B (zh) 一种基于作物识别级联技术的害虫图像检测方法
CN110991511A (zh) 一种基于深度卷积神经网络的向日葵作物种子分拣方法
Yang et al. High-throughput soybean seeds phenotyping with convolutional neural networks and transfer learning
CN107945182A (zh) 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法
CN110929944A (zh) 基于高光谱图像与光谱特征相融合技术的小麦赤霉病病情严重度预测方法
Bukhari et al. Assessing the impact of segmentation on wheat stripe rust disease classification using computer vision and deep learning
Yang et al. A synthetic datasets based instance segmentation network for High-throughput soybean pods phenotype investigation
Kiratiratanapruk et al. Automatic detection of rice disease in images of various leaf sizes
Mahbub et al. Detect bangladeshi mango leaf diseases using lightweight convolutional neural network
CN114965501A (zh) 基于冠层参数处理的花生病害检测与产量预测方法
Sehree et al. Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery
CN112883915B (zh) 一种基于迁移学习的麦穗自动识别方法和系统
Yang et al. Convolutional neural network-based automatic image recognition for agricultural machinery
Xu et al. An automatic wheat ear counting model based on the minimum area intersection ratio algorithm and transfer learning
CN111695560A (zh) 基于卷积神经网络对农作物病虫害主动定位聚焦的方法
CN110705698A (zh) 尺度自适应感知的目标计数深度网络设计方法
CN113344009B (zh) 一种轻小型网络自适应番茄病害特征提取方法
CN115458151A (zh) 一种基于图像识别技术的海水鱼刺激隐核虫病的诊断方法
CN116342919A (zh) 基于注意力和门控机制的水稻病害识别方法
Gowthaman et al. Convolutional neural network (CNN) architecture for pest and disease detection in agricultural crops

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201020

WD01 Invention patent application deemed withdrawn after publication