CN115439842A - 一种基于深度学习的桑葚菌核病严重度的检测方法 - Google Patents

一种基于深度学习的桑葚菌核病严重度的检测方法 Download PDF

Info

Publication number
CN115439842A
CN115439842A CN202211085156.5A CN202211085156A CN115439842A CN 115439842 A CN115439842 A CN 115439842A CN 202211085156 A CN202211085156 A CN 202211085156A CN 115439842 A CN115439842 A CN 115439842A
Authority
CN
China
Prior art keywords
model
mulberry
severity
deep learning
detection
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
CN202211085156.5A
Other languages
English (en)
Inventor
朱志贤
邱盼
于翠
胡兴明
董朝霞
莫荣利
张�成
刘松
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.)
Institute of Economic Crop of Hubei Academy of Agricultural Science
Original Assignee
Institute of Economic Crop of Hubei Academy of Agricultural Science
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 Institute of Economic Crop of Hubei Academy of Agricultural Science filed Critical Institute of Economic Crop of Hubei Academy of Agricultural Science
Priority to CN202211085156.5A priority Critical patent/CN115439842A/zh
Publication of CN115439842A publication Critical patent/CN115439842A/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
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (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深度学习的桑葚菌核病严重度的检测方法，涉及植物病情预测，旨在解决现有技术中识别方法效率低、成本高的问题，采用的技术方案是，包括获取桑果图片，并对图片分辨率进行转换；提取图像特征，获得特征层；对获得的特征层进行特征检测并预测目标边界框、概率和类别，通过目标边界框获得特征图；对预测出的目标边界框位置和得分进行非极大值抑制筛选；输出预测结果；通过使用YOLOv3模型进行自动化检测，使用在Pascal VOC2007数据集上预训练的Darknet53模型权重进行迁移学习，降低模型训练成本，使用YOLOv3模型的检测头检测桑果图片，对特征进行识别后评分，识别效率高，识别准确，查准率和查全率高，成本低。

Description

一种基于深度学习的桑葚菌核病严重度的检测方法
技术领域
本发明涉及植物病情预测领域，具体为一种基于深度学习的桑葚菌核病严重度的检测方法。
背景技术
桑树是一种多年生的经济型植物，在亚洲、欧洲、美洲和非洲广泛种植，过去5000多年里被用于丝绸产业，但近10多年来，以生产桑椹为主要目的的果桑产业快速发展，初步估计全国的果桑栽植面积已达到15,000hm2以上。然而在产业发展中，桑椹菌核病来势猛、发病快，在美国、韩国、日本以及中国果桑种植区普遍发生，发病率高达30％～90％，有些地方成千亩果桑园因病害导致桑果绝产，给果桑产业造成毁灭性危害。怎样快速的识别该病害，并对症下药，将直接影响果桑的质量与产量。近年来，随着计算机视觉技术的快速发展，基于计算机视觉的病虫害的自动化识别的研究也比较多。运用信息化、智能化的技术对生长过程中的桑果进行病害等级识别分类，从而实时监测桑葚果园的发病情况，对后续桑葚菌核病精准防治和精准施药具有重要的意义。
现有技术中有采用生成对抗网络(generative adversarial networks，简称GAN)技术来扩充农作物病虫害数据库，并采用基于移动端APP的深度学习识别模型等技术作为未来农作物病虫害识别技术研究的方向与目标；现有技术中还有一种基于YOLO卷积神经网络的番茄病虫害检测算法，同时建立了一个专家标注病虫害信息的真实自然环境下的番茄病虫害图像数据库；现有技术中还提出了一种改进的LeNet-5模型.采用2018年AIchallenger农作物病虫害检测中的番茄病虫害数据集，通过数据增强的方式对数据集进行扩充，使训练集的数量142800张；现有技术中还有仿照AlexNet模型搭建了5个卷积层和2个全连接层和1个Softmax分类层的模型结构；另外还有基于VGG-16的基础上，对CNN提取的特征进行Bilinear处理，得到Multi-Branches B-CNN模型；现有技术中，将已经训练成熟的VGG-19模型优化番茄病虫害检测模型的参数进行迁移学习，并提取出番茄病虫害叶片图片的多层特征图；现有技术中还提到基于AlexNet和Inception提出了一中改进的CNN进行病虫害种类识别以及以测报灯下害虫图像数据库(约18万张)、田间病虫害图像数据库(约32万张)为基础，构建了基于深度学习方法的病虫害种类特征自动学习、特征融合、识别和位置回归计算框架，并研发了移动式病虫害智能化感知设备和自动识别系统。
桑葚果实目标检测及其病虫害严重程度等级分类问题，在计算机领域中归为目标检测问题。其本质是在给定的图片中精确的找出桑果所在的位置，并识别出该桑果的病虫害严重等级类别。但区别于一般农作物的单目标图像分类问题，桑葚果实菌核病严重度检测问题属于多目标检测，检测困难度增加。且因桑果在其生长周期内，未成熟和成熟的果实、发病和未发病的果实，在形状形态及纹理上均有很大的相似之处，相比不同农作物之间的识别检测或不同害虫之间识别检测问题(图形学特征差别较大)有着很大的区别，其识别检测较困难。桑果在生长中，往往果实层叠在一起，加大了识别果实大小和位置的难度。此外，传统桑葚菌核病识别方法效率低，成本高。
发明内容
鉴于现有技术中所存在的问题，本发明公开了一种基于深度学习的桑葚菌核病严重度的检测方法，采用的技术方案是，包括如下步骤：
步骤1，获取桑果图片，并对图片分辨率进行转换；
步骤2，提取三种不同尺寸的图像特征，获得特征层；
步骤3，对所述步骤2获得的特征层进行特征检测并预测目标边界框、概率和类别，通过目标边界框获得特征图；
步骤4，对所述步骤3中预测出的所有目标边界框位置和置信度进行非极大值抑制；
步骤5，输出预测结果。
作为本发明的一种优选技术方案，所述步骤1中，将图像分辨率大小转换为416×416。
作为本发明的一种优选技术方案，所述步骤2中，使用Darknet53主干特征提取网络结构提取13×13×75、26×26×75、52×52×75三种不同尺寸的图像特征。
作为本发明的一种优选技术方案，所述步骤3中，通过YOLO模型的YOLO_Head检测头对特征层进行检测，并由YOLO模型进行边界的识别和结果预测。
作为本发明的一种优选技术方案，所述YOLO模型采用YOLOv3模型，YOLO v3在同类型模型中拥有很高的精确率。
作为本发明的一种优选技术方案，所述YOLO模型将特征图划分为网格，每个网络点负责一个区域的检测，YOLO网络在特征图中分别通过(4+1+c)×k个大小为1×1的卷积核进行预测，其中k为预设边界框的个数，c为预测目标的类别数。
作为本发明的一种优选技术方案，所述步骤4中，将预测框的置信度定义为得分，取出每一类得分大于设定阈值的框和得分进行排序；利用框的位置和得分进行非极大抑制，最后可以得出概率最大的边界框，也就是最后显示出的框。
作为本发明的一种优选技术方案，所述步骤1中通过迁移学习的方式训练模型的网络。
作为本发明的一种优选技术方案，所述利用在Pascal VOC2007数据集上预训练的Darknet53模型的权重文件，保留Darknet53模型的卷积层结构，修改检测头的最后一层网络。
本发明的有益效果：本发明通过使用YOLOv3模型进行自动化检测，使用在PascalVOC2007数据集上预训练的Darknet53模型权重进行迁移学习，降低模型训练成本，使用YOLOv3模型的检测头检测桑果图片，对特征进行识别后评分，识别效率高，识别准确，查准率和查全率高，成本低。
附图说明
图1为YOLOv3模型网络结构图；
图2为Darknet53网络结构图；
图3为YOLO_Head的预测值组成；
图4为本发明YOLO_Head预测框的示意图；
图5为本发明检测系统功能结构图；
图6为桑葚果实菌核病严重度检测识别系统开发部署流程图。
图7为桑果菌核病严重程度分类标准的照片；
图8为桑果菌核病严重程度系统检测识别结果的照片。
具体实施方式
实施例1
本实施例所用的桑果照片及视频主要采集于的湖北省农科院桑葚种植基地，采集的时间为2021年4月12日(武汉)、4月19日及4月29日(孝感)。如图7所示，对桑果菌核病严重程度分为以下5类：
1)DS0正常果实；
2)DS1 1级果实，症状面积约为0～20％；
3)DS3 3级果实，症状面积约为21％～50％；
5)DS5 5级果实，症状面积约为51％～90％；
7)DS7 7级果实，症状面积约为91％～100％；
经过视频图片提取、随机抽取和人工筛选(剔除过于模糊以及重复度较大的图片)，然后使用LabelImg软件对桑果图片进行人工标注，形成图片和标签数据集，如图8所示。最终形成了约10000张图片用作深度学习算法模型的训练和验证，以及12880张图片作为模型检测效果测试。
YOLO(You Only Look Once)是一种端到端的目标检测模型。该算法的基本思想是将图像划分成多个网格，然后为每一个网格同时预测边界框并给出相应概率。如果某个待检测目标的中心落在图像中所划分的一个单元格内，那么该单元格负责预测该目标位置和类别。YOLOv3是YOLO算法改进后的第三个版本，同时具备较快的检测速度和较高的检测精度。其核心模块主要包含Darknet53主干特征提取网络、上采样堆叠以及损失函数。图1为YOLOv3的网络模型结构图。
YOLOv3模型的检测流程是，首先对图像分辨率大小转换为416×416，然后输入Darknet53主干特征提取网络结构提取三种不同尺度的图像特征，接着对每个特征层进行预测目标边界框、概率和类别，最后对所有预测出的目标边界框的位置和得分进行非极大值抑制筛选，最后输出最终预测结果。
YOLOv3中采用了Darknet53作为主干网络，如图2所示，Darknet53拥有53个卷积层结构(图2所示结构中去掉了最后的全连接层)，每个卷积层由一个Conv2D二维卷积层、一个BatchNorm正则化层和一个LeakyReLU激活层构成(图2右上方)。从图2中看出，Darknet53就是重复堆叠下采样卷积+N*残差块(N为残差块的个数)而组成。每个残差块(图2右下方)由两条支路组成，一条支路将上一层输出的特征图进行1×1卷积和3×3卷积操作，另一条支路将上一层输出的特征图进行恒等映射，两者相加得到新的特征层。
YOLOv3的YOLO_Head检测头结构(如图1右半部分所示)由1×1卷积层和3×3卷积层交替使用，1×1卷积操作用来减少通道数，3×3卷积操作用来提取特征并增加通道数，整体特征图的宽高保持不变。YOLO_Head检测头的输出通道数为75，大小为13×13像素宽高的特征图由YOLO_Head1检测输出为13×13×75的结果；大小为26×26像素宽高的特征图由YOLO_Head2检测输出为26×26×75的结果；大小为52×52像素宽高的特征图由YOLO_Head3检测输出为52×52×75的结果。
上述的这些检测结果还需要进一步的解码。YOLOv3的预测原理是分别将整幅图分为13×13、26×26、52×52的网格，每个网络点负责一个区域的检测。YOLOv3网络在三个特征图中分别通过(4+1+c)×k个大小为1×1的卷积核进行预测，k为预设边界框(boundingbox prior)的个数(在每个预测特征层中k默认取3)，c为预测目标的类别数，YOLO_Head有13x13,26x26,52x52共3个检测头，每个检测头输出25个通道，即4+1+20。
目标检测中模型不仅需要学习目标的类别，更需要学习到目标的位置和大小。通过根据经验在图像上预设好不同大小和不同长宽比的先验框，就有更高的概率获得对于目标物体有良好匹配度的预测框，即得到更大的交并比(Intersection Over Union,IOU)，使得模型更好更快的收敛。
以13×13网格为例，YOLO_Head1输出的结果13×13×75＝13×13×(4+1+20)，其中等式右边括号内的4为tx，ty，tw，th4个值，(tx，ty)是先验框的中心位置的调整参数，(bx，by)是预测框的中心位置；(tw，th)是先验框的宽高调整参数，(bw，bh)是预测框的宽和高；1为pobj，用来计算预测边框内有目标物体的概率；20为20个不同类别的pclass，用来计算每个目标种类的概率，如图4所示。
假定先验框中心所在网格的左上角坐标为(Cx，Cy)，先验框的宽和高为(pw,ph),预测结果值解码的计算公式如下：
bx＝σ(tx)+Cx
by＝σ(ty)+Cy
Figure BDA0003835183830000061
Figure BDA0003835183830000062
pobj＝σ(pobj)
pclass＝σ(pclass)
预测边界框中心的坐标位置为bx＝σ(tx)+Cx，by＝σ(ty)+cy，其中σ为Sigmoid激活函数；预测边界框的宽和高分别为
Figure BDA0003835183830000063
预测边界框内有无目标的置性度为Pobj＝σ(pobj)；20个class目标类别，每个类别的置性度分别为Pclass＝σ(pclass)。
三个预测层的特征图大小以及每个特征图上预设边界框的尺寸如下：
Figure BDA0003835183830000071
筛选最大概率的预测结果：
1、将预测框的置信度定义为得分，取出每一类置信度大于0.5的框，并根据置信度得分进行排序；
2、利用框的位置和得分进行非极大抑制。最后可以得出概率最大的边界框，也就是最后显示出的框。
由于硬件算力、学习率函数、学习率初始值等超参数设置等原因，从新自训练主干网络通常需要大量的时间，且训练得到的模型参数效果不一定比预训练模型的效果好。为了使桑葚果实检测模型加快收敛并具有更强的泛化能力，故选择使用迁移学习技术，利用在Pascal VOC2007数据集上预训练的Darknet53模型的权重文件。Pascal VOC2007是衡量图像分类识别能力基准的一个标准数据集。数据集共包含20个类别共计9963张图像。
本实施例保留了Darknet53模型的卷积层结构，修改了13×13，26×26，52×52三种检测头的最后一层网络，将最后一层卷积核的通道数量从75修改为了30，因此检测头的预测输出通道由3×(4+1+20)变为了3×(4+1+5)。训练时，为了不改变Darknet53主干网络的权值，首先冻结主干网络，训练检测头；待收敛后，解冻主干网络，训练模型的全部网络。
本实施例所使用的操作系统为Windows10，处理器为AMD R7-3700X 8核16线程，内存为64GB，配备NVIDIA RTX3090 24GB GPU。使用Python 3.8与Pytorch 1.9深度学习框架，图像处理使用PIL图像库。同时使用CUDA 11.3利用显卡加速运算。
模型训练首先冻结主干网络，每次训练选取的样本数量为8，共1250次，进行30次迭代训练，使用Adam优化算法和StepLR学习率衰减策略，初始学习率为0.001，调整间隔为1个迭代周期，调整倍数为0.92，即每次迭代训练之后，如果模型性能没有提升，学习率则降低为原来的0.92倍；完成之后再解冻主干网络，设置初始学习率为0.0001，其余参数保持不变，继续进行30次迭代训练。
为了验证YOLOv3模型的效果，在相同参数设置下将本模型与同样采用迁移学习技术的FasterRCNN、EfficientDet、YOLOv4原始模型进行比较。
精确率Precision是从预测结果的角度来统计的，是说预测为正样本的数据中，有多少个是真正的正样本，即“查准率”，计算公式如下：
Precision＝TP/(TP+FP)
上公式中的TP+FP即为所有的预测为正样本的数据，TP即为预测正确的正样本个数。
精确率对比结果如下：
YOLO v4 YOLO v3 EfficientDet FasterRCNN
菌核病果实精确率 0.78 0.84 0.58 0.67
健康果实精确率 0.92 0.92 0.84 0.63
平均精确率 0.81 0.86 0.63 0.66
通过上表比较可知，YOLOv3模型对健康果实、菌核病果实以及平均精确率上效果均为最优。
再进行召回率(Recall)的对比，召回率Recall是在总的正样本中，模型找回的正样本，即“查全率”，计算公式如下：
Recall＝TP/(TP+FN)
式中的TP+FN即为所有正样本的数据，TP为预测正确的正样本个数，召回率对比如下：
YOLO v4 YOLO v3 EfficientDet FasterRCNN
菌核病果实召回率 0.61 0.70 0.26 0.74
健康果实召回率 0.84 0.87 0.74 0.93
平均召回率 0.65 0.74 0.36 0.78
由上表可知，YOLOv3模型的平均召回率略低于FasterRCNN模型，优于其他模型。
进行平均精度AP和平均精度均值mAP的对比
AP(Average Precision)为平均精度，使用积分的方式来计算PR曲线与坐标轴围成的面积。计算公式如下：
Figure BDA0003835183830000091
Mean Average Precision(mAP)是平均精度的均值，具体指的是不同召回率下的精度均值。在目标检测中，一个模型通常会检测很多种物体，那么每一类都能计算出一个AP值，而多个类别的AP值的平均就是mAP。
AP衡量的是模型分别在每个类别上的好坏，mAP衡量的是模型在所有类别整体上的好坏。值的范围为[0,1]，约接近1则模型效果越好。
YOLO v4 YOLO v3 EfficientDet FasterRCNN
菌核病果实平均精度 0.64 0.76 0.42 0.71
健康果实平均精度 0.91 0.93 0.85 0.88
平均精度均值 0.70 0.79 0.51 0.74
由上表可知，YOLOv3模型的平均精确率AP以及平均精确率均值mAP均超越了其他模型。
使用YOLOv3模型对健康桑葚果实和不同程度菌核病果实检测效果对比，结果如下：
健康 DS1级 DS3级 DS5级 DS7级
精确度 0.92 0.80 0.78 0.87 0.93
召回率 0.87 0.52 0.66 0.77 0.85
平均精度 0.93 0.59 0.71 0.82 0.91
F1分数 0.89 0.63 0.71 0.82 0.89
由上表可知，YOLOv3模型在精确率、召回率、平均精确率以及F1分数上均有着较为相似的分布。从总体上看，YOLOv3对各等级桑果的检测效果得分从高往低排序是：DS0>DS7>DS5>DS3>DS1。经分析，造成此类规律的原因可能是在训练和测试的样本中，健康桑果的样本量较大，而最轻微发病的DS1级病果的样本量较小，所以识别效果得分较低。而且从桑果纹理及色泽上，DS1级的病果大多与健康桑果极为相似，仅有局部细微的差别。
如图5、图6所示，本实施例还公开了基于上述算法模型，开发的桑葚果实菌核病严重度检测识别系统，系统采用了Flask+Vue技术进行前后端开发。Flask是基于Python语言的Web后端开发框架，Vue是基于Javascript语言的用户界面前端开发框架。
检测系统包括用户管理、识别检测和防治百科；识别检测的流程如下：先进行项目准备，再进行前端开发和后端开发，其中前端开发包括页面设计和编写、交互接口编写、前后端联调测试，后端开发包括接口服务设计、接口服务编写、前后端联调测试，前端开发完成后进行前端部署，后端开发完成后进行后端部署，前端部署和后端部署过程包括拷贝程序代码、安装运行环境、启动服务进程，部署完成后，即可通过web浏览器访问。
识别检测模块是该系统的核心功能，随机选择一张桑果图片进行测试，检测结果包含了所有桑果菌核病的严重程度、桑果的宽高大小、置信度。
针对桑葚果实菌核病严重程度人工检测效率低下的问题，本技术方案提出了采用YOLOv3模型进行自动化检测，使用在Pascal VOC2007数据集上预训练的Darknet53模型权重进行迁移学习，并与EfficientDet、FasterRCNN、YOLOv4四种原始模型进行了对比试验。经对比，YOLOv3模型的mAP值相对其他模型提高了7.1％～40％，其针对各种程度病果的平均AP相对其他模型提高了7％～80％，查准率和查全率也为最优或者次优。因此YOLOv3模型针对桑果菌核病检测任务具有较好的鲁棒性和可靠性。
同时基于YOLOv3模型开发了一款在线桑葚果实菌核病检测识别系统，该系统可对拍摄的桑果图像和视频进行识别，可为桑葚种植中实现自动化病害监测和实时精准施药提供了可靠的软件处理平台。
上述虽然对本发明的具体实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化，而不具备创造性劳动的修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种基于深度学习的桑葚菌核病严重度的检测方法，其特征在于，包括如下步骤：
步骤1，获取桑果图片，并对图片分辨率进行转换；
步骤2，提取图像特征，获得特征层；
步骤3，对所述步骤2获得的特征层进行特征检测并预测目标边界框、概率和类别，通过目标边界框获得特征图；
步骤4，对所述步骤3中预测出的所有目标边界框位置和置信度进行非极大值抑制；
步骤5，输出预测结果。
2.根据权利要求1所述的一种基于深度学习的桑葚菌核病严重度的检测方法，其特征在于：所述步骤1中，将图像分辨率大小转换为416×416。
3.根据权利要求1所述的一种基于深度学习的桑葚菌核病严重度的检测方法，其特征在于：所述步骤2中，使用Darknet53主干特征提取网络结构提取图像特征。
4.根据权利要求1所述的一种基于深度学习的桑葚菌核病严重度的检测方法，其特征在于：所述步骤3中，通过YOLO模型的YOLO_Head检测头对特征层进行检测，并由YOLO模型进行边界的识别和结果预测。
5.根据权利要求4所述的一种基于深度学习的桑葚菌核病严重度的检测方法，其特征在于：所述YOLO模型采用YOLO v3模型。
6.根据权利要求4所述的一种基于深度学习的桑葚菌核病严重度的检测方法，其特征在于：所述YOLO模型将特征图划分为网格，每个网络点负责一个区域的检测，YOLO网络在特征图中分别通过(4+1+c)×k个大小为1×1的卷积核进行预测，其中k为预设边界框的个数，c为预测目标的类别数。
7.根据权利要求1所述的一种基于深度学习的桑葚菌核病严重度的检测方法，其特征在于：所述步骤4中，将预测框的置信度定义为得分，取出每一类得分大于设定阈值的框和得分进行排序；利用框的位置和得分进行非极大抑制，最后可以得出概率最大的边界框，也就是最后显示出的框。
8.根据权利要求4所述的一种基于深度学习的桑葚菌核病严重度的检测方法，其特征在于：所述步骤1中通过迁移学习的方式训练模型的网络。
9.根据权利要求8所述的一种基于深度学习的桑葚菌核病严重度的检测方法，其特征在于：利用在Pascal VOC2007数据集上预训练的Darknet53模型的权重文件，保留Darknet53模型的卷积层结构，修改检测头的最后一层网络。
CN202211085156.5A 2022-09-06 2022-09-06 一种基于深度学习的桑葚菌核病严重度的检测方法 Pending CN115439842A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211085156.5A CN115439842A (zh) 2022-09-06 2022-09-06 一种基于深度学习的桑葚菌核病严重度的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211085156.5A CN115439842A (zh) 2022-09-06 2022-09-06 一种基于深度学习的桑葚菌核病严重度的检测方法

Publications (1)

Publication Number Publication Date
CN115439842A true CN115439842A (zh) 2022-12-06

Family

ID=84247821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211085156.5A Pending CN115439842A (zh) 2022-09-06 2022-09-06 一种基于深度学习的桑葚菌核病严重度的检测方法

Country Status (1)

Country Link
CN (1) CN115439842A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965875A (zh) * 2023-03-16 2023-04-14 德阳稷农农业科技有限公司 一种农作物病虫害智能监控方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965875A (zh) * 2023-03-16 2023-04-14 德阳稷农农业科技有限公司 一种农作物病虫害智能监控方法及系统

Similar Documents

Publication Publication Date Title
Parvathi et al. Detection of maturity stages of coconuts in complex background using Faster R-CNN model
Mehta et al. Exploring the Potential of Convolutional Neural Networks in Automatic Diagnosis of Dragon Fruit Diseases from Plant Photographs
Wu et al. Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms
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
CN111860330B (zh) 基于多特征融合和卷积神经网络的苹果叶部病害识别方法
CN111696101A (zh) 一种基于SE-Inception的轻量级茄科病害识别方法
CN111898432B (zh) 一种基于改进YOLOv3算法的行人检测系统及方法
Zhouyi et al. Intelligent acquisition method of herbaceous flowers image based on theme crawler, deep learning and game theory
CN114972208A (zh) 一种基于YOLOv4的轻量化小麦赤霉病检测方法
CN115631462A (zh) 基于am-yolox的草莓病虫害检测方法及系统
CN115439842A (zh) 一种基于深度学习的桑葚菌核病严重度的检测方法
Brar et al. A smart approach to coconut leaf spot disease classification using computer vision and deep learning technique
Kiran et al. Plant Leaf Disease Detection Using Efficient Image Processing and Machine Learning Algorithms
CN117496325A (zh) 一种基于改进YOLOv5s模型的水稻害虫检测方法及装置
Chen et al. YOLOv8-CML: A lightweight target detection method for Color-changing melon ripening in intelligent agriculture
CN116883364A (zh) 一种基于CNN和Transformer的苹果叶片病害识别方法
CN117132802A (zh) 一种田间小麦病虫害识别方法、装置及存储介质
Vadivel et al. Deep Learning Models for Potato Leaf Disease Identification: A Comparative Analysis
Gao et al. Classification Method of Rape Root Swelling Disease Based on Convolution Neural Network
Wu et al. Application of EfficientNetV2 and YoloV5 for tomato leaf disease identification
Javeriya Faster-RCNN based deep learning model for pomegranate diseases detection and classification
Farahani et al. Identification of grape leaf diseases using proposed enhanced VGG16
Wang et al. Dba_ssd: a novel end-to-end object detection using deep attention module for helping smart device with vegetable and fruit leaf plant disease detection
Gehlot et al. A hybrid deep learning based approach for tomato disease classification in natural environment
Firdaus et al. Initial Design For Utilizing Machine Learning In Identifying Diseases In Palm Oil Plant

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