CN114937172A - 一种基于改进yolov3的葡萄病害识别方法及系统 - Google Patents

一种基于改进yolov3的葡萄病害识别方法及系统 Download PDF

Info

Publication number
CN114937172A
CN114937172A CN202210532513.1A CN202210532513A CN114937172A CN 114937172 A CN114937172 A CN 114937172A CN 202210532513 A CN202210532513 A CN 202210532513A CN 114937172 A CN114937172 A CN 114937172A
Authority
CN
China
Prior art keywords
grape
disease
algorithm
model
yolo
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
CN202210532513.1A
Other languages
English (en)
Inventor
王超学
祁昕
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202210532513.1A priority Critical patent/CN114937172A/zh
Publication of CN114937172A publication Critical patent/CN114937172A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

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

Abstract

本发明公开了一种基于改进YOLO V3的葡萄病害识别方法及系统，所述识别方法包括以下步骤：获取待识别的葡萄图片；基于获取的葡萄图片，利用预先训练好的葡萄病害识别模型进行识别，输出识别结果；其中，所述葡萄病害识别模型基于改进YOLO V3算法；所述改进YOLO V3算法为将传统YOLO V3算法中的主干网络替换为EfficientNet网络的算法。本发明通过将YOLO V3目标检测算法的Darknet‑53主干网络替换为EfficentNet网络，能够增加识别种类的同时提高识别精度。

Description

一种基于改进YOLOV3的葡萄病害识别方法及系统
技术领域
本发明属于深度学习以及目标检测技术领域，涉及葡萄病害识别领域，特别涉及一种基于 改进YOLO V3的葡萄病害识别方法及系统。
背景技术
在葡萄成长时，常常因为病害而受到侵蚀，这不仅会降低葡萄的果品和产量，严重时还会 使葡萄园遭遇毁灭性打击；由于葡萄有重要的营养价值、药用价值和经济价值，提高葡萄病害 防治效率是提高果品质量和产量的关键。葡萄的病害种类繁多，很多发生病状相似，人工识别 非常困难，如何准确高效地识别出葡萄病害类型，并且给出相应的防治策略对于葡萄产业的发 展具有重要的意义。
深度学习是葡萄病害识别研究的热点，但是现有的针对葡萄病害识别的深度学习方法普遍 存在以下问题：1)可识别的葡萄病害数量少；2)识别准确率低。综上，亟需一种新的葡萄病 害人工智能识别方法。
发明内容
本发明的目的在于提供一种基于改进YOLO V3的葡萄病害识别方法及系统，以解决上述 存在的一个或多个技术问题。
为达到上述目的，本发明采用以下技术方案：
本发明提供的一种基于改进YOLO V3的葡萄病害识别方法，包括以下步骤：
获取待识别的葡萄图片；
基于获取的葡萄图片，利用预先训练好的葡萄病害识别模型进行识别，输出识别结果；
其中，所述葡萄病害识别模型基于改进YOLO V3算法；所述改进YOLO V3算法为将传 统YOLO V3算法中的主干网络替换为EfficientNet网络的算法。
本发明方法的进一步改进在于，所述预先训练好的葡萄病害识别模型的获取步骤包括：
获取训练样本集；所述训练样本集中每个训练样本均包括葡萄样本图片以及对应的样本图 片标签；
将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得所述预先训练好的葡萄 病害识别模型。
本发明方法的进一步改进在于，所述获取训练样本集的具体步骤包括：
采集获取葡萄样本图片集并对每个葡萄样本图片进行样本图片标签标注，获得初始训练样 本集；
基于所述初始训练样本集，采用旋转、缩放、裁剪及添加高斯噪声中的一种或多种进行扩 充，使各类别图像数据在分布均衡的基础上增加训练样本的数量，获得最终的训练样本集。
本发明方法的进一步改进在于，
所述样本图片标签的种类包括：健康葡萄、健康葡萄叶、葡萄卷叶病、葡萄毛毡病、葡萄 灰霉病、葡萄炭疽病、葡萄白粉病、葡萄缺素症、葡萄褐斑病、葡萄轮斑病、葡萄酸腐病、葡 萄霜霉病、葡萄黑痘病和葡萄黑腐病；
进行样本图片标签标注的步骤具体包括：对于为害位置散布于葡萄果实、叶片和果梗的类 型：标注病害名称时，将各病害的果实、叶片和果梗的为害状统一标记为一类；标注为害区域 时，对葡萄果实为害状以一串葡萄果实为单位进行标记，对叶部为害状以一片葡萄叶片为单位 进行标记，对果梗为害状仅标记为害特征显著区域；对于为害位置集中在叶片的类型，以整体 为害区域为单位进行标记。
本发明方法的进一步改进在于，所述将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得所述预先训练好的葡萄病害识别模型的步骤具体包括：
将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得初始葡萄病害识别模型；
基于均值平均精度、模型平均训练时间、模型大小和参数量中的一种或多种对所述初始葡 萄病害识别模型进行评估，达到预设要求后获得所述预先训练好的葡萄病害识别模型的步骤具 体，否则增加训练次数或训练样本数量重新训练。
本发明提供的一种基于改进YOLO V3的葡萄病害识别系统，包括：
图片获取模块，用于获取待识别的葡萄图片；
识别结果获取模块，用于基于获取的葡萄图片，利用预先训练好的葡萄病害识别模型进行 识别，输出识别结果；
其中，所述葡萄病害识别模型基于改进YOLO V3算法；所述改进YOLO V3算法为将传 统YOLO V3算法中的主干网络替换为EfficientNet网络的算法。
本发明系统的进一步改进在于，所述预先训练好的葡萄病害识别模型的获取步骤包括：
获取训练样本集；所述训练样本集中每个训练样本均包括葡萄样本图片以及对应的样本图 片标签；
将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得所述预先训练好的葡萄 病害识别模型。
本发明系统的进一步改进在于，所述获取训练样本集的具体步骤包括：
采集获取葡萄样本图片集并对每个葡萄样本图片进行样本图片标签标注，获得初始训练样 本集；
基于所述初始训练样本集，采用旋转、缩放、裁剪及添加高斯噪声中的一种或多种进行扩 充，使各类别图像数据在分布均衡的基础上增加训练样本的数量，获得最终的训练样本集。
本发明系统的进一步改进在于，所述样本图片标签的种类包括：健康葡萄、健康葡萄叶、 葡萄卷叶病、葡萄毛毡病、葡萄灰霉病、葡萄炭疽病、葡萄白粉病、葡萄缺素症、葡萄褐斑病、 葡萄轮斑病、葡萄酸腐病、葡萄霜霉病、葡萄黑痘病和葡萄黑腐病；
进行样本图片标签标注的步骤具体包括：对于为害位置散布于葡萄果实、叶片和果梗的类 型：标注病害名称时，将各病害的果实、叶片和果梗的为害状统一标记为一类；标注为害区域 时，对葡萄果实为害状以一串葡萄果实为单位进行标记，对叶部为害状以一片葡萄叶片为单位 进行标记，对果梗为害状仅标记为害特征显著区域；对于为害位置集中在叶片的类型，以整体 为害区域为单位进行标记。
本发明系统的进一步改进在于，所述将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得所述预先训练好的葡萄病害识别模型的步骤具体包括：
将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得初始葡萄病害识别模型；
基于均值平均精度、模型平均训练时间、模型大小和参数量中的一种或多种对所述初始葡 萄病害识别模型进行评估，达到预设要求后获得所述预先训练好的葡萄病害识别模型的步骤具 体，否则增加训练次数或训练样本数量重新训练。
与现有技术相比，本发明具有以下有益效果：
针对现有基于深度学习来识别葡萄病害存在的可识别类别少以及准确率低的技术缺陷，本 发明具体提供了基于改进YOLO V3的葡萄病害人工智能识别的技术方案；本发明通过将 YOLO V3目标检测算法的Darknet-53主干网络替换为EfficentNet网络，能够增加识别种类的 同时提高识别精度。另外，基于本发明提供的全面、高效的识别模型，既能辅助果农快速识别 葡萄病害并对症下药，又能帮助相关科研人员进一步研究葡萄病害，达到科技助农的目的，对 葡萄病害的防治具有重要的指导价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述 中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例， 对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他 的附图。
图1是本发明实施例提供的一种基于改进YOLO V3的葡萄病害识别方法的流程示意图；
图2是本发明实施例中，葡萄病害识别模型的整体结构示意图；
图3是本发明实施例中，葡萄病害数据集示意图；其中，图3中(a)为葡萄霜霉病及其 数据增强效果示意图，图3中(b)为葡萄炭疽病及其数据增强效果示意图，图3中(c)为葡萄卷叶病及其数据增强效果示意图；图3中(d)为多种类别的原始数据与扩充数据的对照示意图；
图4是本发明实施例中，葡萄病害识别模型的损失函数示意图；
图5是本发明实施例中，所用模型的各类葡萄病害P-R曲线示意图；
图6是本发明实施例中，识别效果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对 本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部 分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出 创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是 用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适 当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外 的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包 含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的 那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其 它步骤或单元。
下面结合附图对本发明做进一步详细描述：
请参阅图1，本发明实施例的一种基于改进YOLO V3的葡萄病害识别方法，具体包括以 下步骤：
获取待识别的葡萄图片；
将获取的葡萄图片输入预训练好的葡萄病害识别模型，所述葡萄病害识别模型输出识别结 果；
其中，所述葡萄病害识别模型基于改进YOLO V3算法；所述改进YOLO V3算法为将传 统YOLO V3算法中的主干网络替换为EfficientNet网络；
所述预训练好的葡萄病害识别模型的获取步骤包括：
获取训练样本集；所述训练样本集中每个训练样本均包括葡萄样本图片以及样本图片标签；
将所述训练样本输入所述改进YOLO V3算法，获得所述预训练好的葡萄病害识别模型。
本发明实施例的实验环境为Pytorch 1.7.1框架，操作系统为Windows 10系统，开发平台 为PyCharm 2020，Python版本为3.8，CPU为8核AMD R7 5800X，主频4.2GHz，内存16Gb， GPU为NVIDIA GeForce RTX 3070，Anaconda的cudatoolkit版本为11.0.221。
本发明实施例的基于改进YOLO V3的葡萄病害识别方法，具体包括以下步骤：
(1)数据集制作，包括：
在中国农业科学院植物病虫害生物学国家重点实验室专家的帮助下，筛选出全国性的12 类葡萄病害和健康葡萄果实、健康葡萄叶片共14类的原始图像，合计2566张作为实验的初始 数据集；由于原始数据集中各类图像数据不均衡，会使训练出的模型出现过拟合、泛化能力差 等问题，所以需要对原始葡萄病害图像进行预处理。
数据预处理的关键有两点：其一是图像数据标注，其二是对原始数据不平衡问题的处理。 本发明实施例在标注图像时，根据葡萄病害的发病特征，将图片分为两大类：
1)第一类是为害位置散布于葡萄果实、叶片和果梗；标注病害名称时，将各病害的果实、 叶片和果梗的为害状统一标记为一类；标注为害区域时，对葡萄果实为害状以一串葡萄果实为 单位进行标记，对叶部为害状以一片葡萄叶片为单位进行标记，对果梗为害状由于为害边界不 明显，仅标记为害特征最为显著的区域；
2)第二类是为害位置主要集中在叶片，由于叶片较密集，且叶片覆盖重叠，边界不明晰， 以整体为害区域为单位进行标记；对于该类中葡萄缺素症的标记，由于造成葡萄缺素的元素种 类过多，本发明实施例统一标记为葡萄缺素症。另外，本发明实施例将同一种葡萄病害的不同 发病时期归为一类进行标记。
针对原始数据不平衡问题，由于大部分类别的葡萄病害为害状特征较为明显，本发明使用 重采样方法，即通过使用数据增强的方法扩充现有数据集，来使各类样本达到均衡。通过对图 像进行旋转、缩放、裁剪、添加高斯噪声等方式对14类葡萄图像进行扩充，使各类别图像数 据在分布均衡的基础上增加训练集的数量，经过处理后的图像效果如图3所示；其中，图3 中(a)、(b)、(c)分别对应葡萄霜霉病、葡萄炭疽病、葡萄卷叶病的为害状，各类中左起第 一张为病害原图，其余4张为经过数据增强后的图像；扩充后各类别图像数量基本达到均衡， 如图3中(d)所示，葡萄病害数据集达到32871张。
(2)葡萄病害模型建立，包括：
2016年，Redmon等提出了用于目标检测的YOLO(You only look once)算法，目前应用 最为广泛的是其在2018年提出的YOLO V3算法。在YOLO V3算法中，Redmon等使用了Darknet-53作为主干网络；数据分析表明Darknet-53网络性能与ResNet-152网络性能相当， 而2019年Google Brain Team提出的EfficientNet网络是通过模型复合缩放的方法同时平衡图 像分辨率、训练网络的深度和宽度，来实现网络优化。
通常情况下一个神经网络有多个结构相同的卷积层，如果称多个结构相同的卷积层为一个 Stage，那么卷积网络N可以改为(1)式：
Figure BDA0003640903070000081
其中，i表示Stage的序号，Fi表示对第i层卷积运算，Li是Fi在第i个Stage中有Li个相 同结构的卷积层，<Hi,Wi,Ci>表示第i层输入的shape；Hi和Wi是图像的分辨率，Ci是通道数， Li是网络的深度；通过调整和平衡三个维度的系数，在相同计算量下可以获得精度更高的网络 模型。
进一步，通过引入一个混合系数
Figure BDA0003640903070000084
来统一三种维度系数的变化，变化方法为(2)式：
Figure BDA0003640903070000082
表1.EfficientNet网络的Baseline结构
Figure BDA0003640903070000083
通过以MnasNet的基本模块MBConv为搜索空间，搜索出基准网络EfficientNet-B0，然后 固定φ＝1，采用网络搜索的方法，搜索出最佳组合是α＝1.2，β＝1.1，γ＝1.15，再通过固定这 三个系数，逐渐放大φ，从而获得B1～B7的网络结构。权衡本发明实施例数据集和B0～B7网 络的参数后，选择EfficientNet-B3网络作为模型的主干特征提取网络，EfficientNet网络的 Baseline结构如表1所示。
该网络的性能普遍高于ResNet网络，相比于EfficientNet-B0的18层卷积结构，Darknet-53 的网络结构较为复杂，且EfficientNet网络中的复合缩放方法更倾向聚焦于与更多目标细节相 关的区域，由于待检测的部分葡萄病害具有较为相似的危害特征，例如葡萄黑痘病与葡萄炭疽 病均为斑块状分布，葡萄黑腐病与葡萄褐斑病的危害状叶片较为相似，所以将EfficientNet网 络应用于YOLO V3算法作为主干网络利于提取葡萄病害危害特征，更加适合对葡萄病害进行 识别。葡萄病害识别模型的整体结构如图2所示。
(3)模型训练，包括：
迁移学习能够在减少模型训练时间的同时防止模型过拟合，所以本发明模型使用迁移学习 思想进行训练。本发明使用了EfficientNet的B0～B4网络在VOC(Visual ObjectClasses Challenge) 数据集上的预训练权重进行训练，以避免训练期间发生梯度消失或梯度爆炸，模型分为两个阶 段进行训练，首先冻结训练50Epoch，解冻后训练100Epoch，共训练150Epoch，冻结网络 部分和非冻结网络部分的学习率分别设置为0.001和0.0001，Batch_size大小分别设置为32和 4，两部分训练均使用Adam优化器，gamma值设置为0.95，输出为13×13、26×26、52×52共 3个尺度，适合不同尺寸的葡萄病害识别。图4为葡萄病害识别模型训练时的损失函数图像， 可以看出随着训练代数的增加，训练集和测试集上的loss均不断下降，且模型收敛速度很快， 说明模型训练有效。
(4)结果分析，包括：
本发明实施例使用均值平均精度(mean average precision，mAP)、模型平均训练时间、模 型大小和参数量对模型进行评估。均值平均精度是各类别平均精度(averageprecision，AP) 的均值，AP是每个类别的精度(precision)和召回率(recall)所围成的曲线面积，衡量模型 在每个类别上的精确程度，精度和召回率可以由(3)(4)式表示：
Figure BDA0003640903070000101
Figure BDA0003640903070000102
TP(true positives)指被分类器正确分类的正样本，FP(false positives)指被分类器错误 分类的负样本，FN(false negatives)指被分类器错误分类的正样本；精度(precision)指分类 器正确分类的正样本占分类器认为是正样本的比例，召回率(recall)指分类器正确分类的正 样本占所有正样本的比例。
Faster R-CNN、YOLO V3、RetinaNet以及本发明模型对葡萄各类病害识别的AP值如表2 所示，基于EfficientNet-B3网络的各类葡萄病害P-R(Precision-Recall)曲线如图5所示。
表2. 150Epoch时各算法对各类葡萄病害识别精度(AP)值
Figure BDA0003640903070000103
通过表2可以发现，8种模型在经过150Epoch训练后，B4网络结构的模型对健康葡萄识 别精度最高，达到98.28％，Faster R-CNN模型、B0和B4网络结构的模型对葡萄轮斑病的识 别达100.00％，Faster R-CNN模型对葡萄黑腐病的识别效果最好。但是，综合看来，以EfficientNet-B3网络结构作为主干特征提取网络所构建的葡萄病害识别模型的平均识别精度 (mAP)最高，达到98.60％。
模型的识别效果如图6所示，图中每个标记框左上角葡萄病害后的数字代表被模型识别为 该类病害的概率，对于葡萄灰霉病，本发明模型可以很好地识别出果实危害状和果梗危害状； 对于葡萄卷叶病，本发明模型可以完整识别出病害区域；对于葡萄白粉病、葡萄酸腐病、葡萄 炭疽病、葡萄黑痘病等，本文模型均能准确识别。对于多个同种待检测目标的情况，如图6 中的健康葡萄，本发明模型亦能很好地分别标记出完整目标。
表3.各算法平均训练时间、模型大小及参数量比较
Figure BDA0003640903070000111
通过表3可以看出，本发明模型与YOLO V3模型的平均训练时间远低于Faster R-CNN模 型，在提升模型精度的同时，本发明模型体积均不超过Faster R-CNN、RetinaNet和YOLO V3， 其中B0网络结构模型仅为YOLO V3模型体积的1/8，且该模型参数量仅为YOLO V3模型参 数量的1/6，但该模型的平均识别精度(mAP)相对于B3网络结构模型较低。B3网络结构模 型与其他以EfficientNet作为主干特征提取网络的模型训练时间和模型体积相近，且相对于 YOLO V3网络模型，参数量缩减一半，模型体积缩减为1/3的同时，模型平均识别精度提升 3％。可见，以EfficientNet-B3网络作为YOLO V3的主干特征提取网络所训练的模型，能在保 证识别精度的前提下，更好地完成葡萄病害的识别任务。
本发明实施例进一步优选的，还可在主干网络的最后引入了通道注意力机制进行多尺度最 大池化操作，来去除冗余信息，从而捕捉更有意义的特征；此外还可利用K-means++聚类算法 对传统YOLO V3算法中的9个先验框大小进行了优化，使之与葡萄病害预训练集更贴合，从 而增加模型训练速度和准确性。
综上所述，针对基于深度学习来识别葡萄病害存在可识别类别少以及准确率低的问题，本 发明公开了一种全面、高效的葡萄病害识别模型，既能辅助果农快速识别葡萄病害并对症下药， 又能帮助相关科研人员进一步研究葡萄病害，达到科技助农的目的，对葡萄病害的防治具有重 要的指导价值。本发明中通过将YOLO V3目标检测算法的Darknet-53主干网络替换为 EfficentNet网络，使得模型的参数量由六千多万缩减一半，且性能更优。采用提出的算法对其 进行训练，得到的模型关于12种葡萄病害的识别精度达98.6％。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏 的细节，请参照本发明方法实施例。
本发明再一实施例中，提供一种基于改进YOLO V3的葡萄病害识别系统，包括：
图片获取模块，用于获取待识别的葡萄图片；
识别结果获取模块，用于基于获取的葡萄图片，利用预先训练好的葡萄病害识别模型进行 识别，输出识别结果；
其中，所述葡萄病害识别模型基于改进YOLO V3算法；所述改进YOLO V3算法为将传 统YOLO V3算法中的主干网络替换为EfficientNet网络的算法。
本发明系统增加了葡萄病害的可识别种类；本发明系统提升了葡萄病害识别的准确率；本 发明系统替换了YOLO V3的主干特征提取网络，在提升模型精度的同时，本发明模型体积缩 减为YOLO V3模型体积的1/3，且改进后的模型参数量为YOLO V3模型参数量的一半。
综上所述，葡萄在生长过程中会感染各种病害，葡萄病害的高效识别是防治葡萄病害的关 键。本发明提出了一个基于YOLO V3的葡萄病害智能识别算法，其中的葡萄病害识别模型以 植物病虫害生物学国家重点实验室提供的2566张原始葡萄病害图片为基础，构建了32871张 葡萄病害图片数据集，采用改进的YOLO V3训练得到。本模型能对手机保存的或现场拍摄的 自然条件下的12类葡萄病害图像进行识别，准确率达98.60％，本发明不但识别率高，而且涵 盖了目前大多数常见葡萄病害种类，可作为辅助果农、消费者和相关科研人员甄别葡萄病害的 智能工具。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。 因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形 式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质 (包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或 方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通 用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器， 使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工 作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造 品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的 功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其 他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设 备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方 框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上 述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明 的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换， 其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于改进YOLO V3的葡萄病害识别方法，其特征在于，包括以下步骤：
获取待识别的葡萄图片；
基于获取的葡萄图片，利用预先训练好的葡萄病害识别模型进行识别，输出识别结果；
其中，所述葡萄病害识别模型基于改进YOLO V3算法；所述改进YOLO V3算法为将传统YOLO V3算法中的主干网络替换为EfficientNet网络的算法。
2.根据权利要求1所述的一种基于改进YOLO V3的葡萄病害识别方法，其特征在于，所述预先训练好的葡萄病害识别模型的获取步骤包括：
获取训练样本集；所述训练样本集中每个训练样本均包括葡萄样本图片以及对应的样本图片标签；
将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得所述预先训练好的葡萄病害识别模型。
3.根据权利要求2所述的一种基于改进YOLO V3的葡萄病害识别方法，其特征在于，所述获取训练样本集的具体步骤包括：
采集获取葡萄样本图片集并对每个葡萄样本图片进行样本图片标签标注，获得初始训练样本集；
基于所述初始训练样本集，采用旋转、缩放、裁剪及添加高斯噪声中的一种或多种进行扩充，使各类别图像数据在分布均衡的基础上增加训练样本的数量，获得最终的训练样本集。
4.根据权利要求3所述的一种基于改进YOLO V3的葡萄病害识别方法，其特征在于，
所述样本图片标签的种类包括：健康葡萄、健康葡萄叶、葡萄卷叶病、葡萄毛毡病、葡萄灰霉病、葡萄炭疽病、葡萄白粉病、葡萄缺素症、葡萄褐斑病、葡萄轮斑病、葡萄酸腐病、葡萄霜霉病、葡萄黑痘病和葡萄黑腐病；
进行样本图片标签标注的步骤具体包括：对于为害位置散布于葡萄果实、叶片和果梗的类型：标注病害名称时，将各病害的果实、叶片和果梗的为害状统一标记为一类；标注为害区域时，对葡萄果实为害状以一串葡萄果实为单位进行标记，对叶部为害状以一片葡萄叶片为单位进行标记，对果梗为害状仅标记为害特征显著区域；对于为害位置集中在叶片的类型，以整体为害区域为单位进行标记。
5.根据权利要求2所述的一种基于改进YOLO V3的葡萄病害识别方法，其特征在于，所述将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得所述预先训练好的葡萄病害识别模型的步骤具体包括：
将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得初始葡萄病害识别模型；
基于均值平均精度、模型平均训练时间、模型大小和参数量中的一种或多种对所述初始葡萄病害识别模型进行评估，达到预设要求后获得所述预先训练好的葡萄病害识别模型的步骤具体，否则增加训练次数或训练样本数量重新训练。
6.一种基于改进YOLO V3的葡萄病害识别系统，其特征在于，包括：
图片获取模块，用于获取待识别的葡萄图片；
识别结果获取模块，用于基于获取的葡萄图片，利用预先训练好的葡萄病害识别模型进行识别，输出识别结果；
其中，所述葡萄病害识别模型基于改进YOLO V3算法；所述改进YOLO V3算法为将传统YOLO V3算法中的主干网络替换为EfficientNet网络的算法。
7.根据权利要求61所述的一种基于改进YOLO V3的葡萄病害识别系统，其特征在于，所述预先训练好的葡萄病害识别模型的获取步骤包括：
获取训练样本集；所述训练样本集中每个训练样本均包括葡萄样本图片以及对应的样本图片标签；
将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得所述预先训练好的葡萄病害识别模型。
8.根据权利要求7所述的一种基于改进YOLO V3的葡萄病害识别系统，其特征在于，所述获取训练样本集的具体步骤包括：
采集获取葡萄样本图片集并对每个葡萄样本图片进行样本图片标签标注，获得初始训练样本集；
基于所述初始训练样本集，采用旋转、缩放、裁剪及添加高斯噪声中的一种或多种进行扩充，使各类别图像数据在分布均衡的基础上增加训练样本的数量，获得最终的训练样本集。
9.根据权利要求8所述的一种基于改进YOLO V3的葡萄病害识别系统，其特征在于，
所述样本图片标签的种类包括：健康葡萄、健康葡萄叶、葡萄卷叶病、葡萄毛毡病、葡萄灰霉病、葡萄炭疽病、葡萄白粉病、葡萄缺素症、葡萄褐斑病、葡萄轮斑病、葡萄酸腐病、葡萄霜霉病、葡萄黑痘病和葡萄黑腐病；
进行样本图片标签标注的步骤具体包括：对于为害位置散布于葡萄果实、叶片和果梗的类型：标注病害名称时，将各病害的果实、叶片和果梗的为害状统一标记为一类；标注为害区域时，对葡萄果实为害状以一串葡萄果实为单位进行标记，对叶部为害状以一片葡萄叶片为单位进行标记，对果梗为害状仅标记为害特征显著区域；对于为害位置集中在叶片的类型，以整体为害区域为单位进行标记。
10.根据权利要求7所述的一种基于改进YOLO V3的葡萄病害识别系统，其特征在于，所述将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得所述预先训练好的葡萄病害识别模型的步骤具体包括：
将所述训练样本集的训练样本输入所述改进YOLO V3算法，获得初始葡萄病害识别模型；
基于均值平均精度、模型平均训练时间、模型大小和参数量中的一种或多种对所述初始葡萄病害识别模型进行评估，达到预设要求后获得所述预先训练好的葡萄病害识别模型的步骤具体，否则增加训练次数或训练样本数量重新训练。
CN202210532513.1A 2022-05-12 2022-05-12 一种基于改进yolov3的葡萄病害识别方法及系统 Pending CN114937172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210532513.1A CN114937172A (zh) 2022-05-12 2022-05-12 一种基于改进yolov3的葡萄病害识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210532513.1A CN114937172A (zh) 2022-05-12 2022-05-12 一种基于改进yolov3的葡萄病害识别方法及系统

Publications (1)

Publication Number Publication Date
CN114937172A true CN114937172A (zh) 2022-08-23

Family

ID=82865446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210532513.1A Pending CN114937172A (zh) 2022-05-12 2022-05-12 一种基于改进yolov3的葡萄病害识别方法及系统

Country Status (1)

Country Link
CN (1) CN114937172A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422696A (zh) * 2023-11-08 2024-01-19 河北工程大学 基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422696A (zh) * 2023-11-08 2024-01-19 河北工程大学 基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法

Similar Documents

Publication Publication Date Title
Liu et al. Tomato diseases and pests detection based on improved Yolo V3 convolutional neural network
Cecotti et al. Grape detection with convolutional neural networks
Mkonyi et al. Early identification of Tuta absoluta in tomato plants using deep learning
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
Zhou et al. A novel greenhouse-based system for the detection and plumpness assessment of strawberry using an improved deep learning technique
CN110033015A (zh) 一种基于残差网络的植物病害检测方法
CN111105393B (zh) 一种基于深度学习的葡萄病虫害识别方法及装置
CN113094464B (zh) 可扩展的农作物病害分析库的建立以及辅助鉴定方法
Ninomiya High-throughput field crop phenotyping: current status and challenges
CN110245657A (zh) 病理图像相似性检测方法及检测装置
CN110827273A (zh) 一种基于区域卷积神经网络的茶叶病害检测方法
CN111400536A (zh) 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法
Tian et al. Diagnosis of typical apple diseases: a deep learning method based on multi-scale dense classification network
Maria et al. Cauliflower disease recognition using machine learning and transfer learning
Suo et al. Casm-amfmnet: a network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases
CN114937172A (zh) 一种基于改进yolov3的葡萄病害识别方法及系统
Zhang et al. Deep learning based rapid diagnosis system for identifying tomato nutrition disorders
CN112419335B (zh) 一种细胞核分割网络的形状损失计算方法
Song et al. Image-based apple disease detection based on residual neural network and transfer learning
Tran et al. Real-time recognition of medicinal plant leaves using bounding-box based models
CN116524279A (zh) 一种数字农业的人工智能图像识别作物长势分析方法
Rudenko et al. The use of computer vision to improve the affinity of rootstock-graft combinations and identify diseases of grape seedlings
Benlachmi et al. Fruits Disease Classification using Machine Learning Techniques
Dahiya et al. An effective detection of litchi disease using deep learning
CN114463741A (zh) 一种基于深度学习的荔枝病虫害识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination