CN115546187A - 基于YOLO v5的农业病虫害检测方法及装置 - Google Patents
基于YOLO v5的农业病虫害检测方法及装置 Download PDFInfo
- Publication number
- CN115546187A CN115546187A CN202211339091.2A CN202211339091A CN115546187A CN 115546187 A CN115546187 A CN 115546187A CN 202211339091 A CN202211339091 A CN 202211339091A CN 115546187 A CN115546187 A CN 115546187A
- Authority
- CN
- China
- Prior art keywords
- network
- agricultural
- disease
- layer
- feature
- 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
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 164
- 201000010099 disease Diseases 0.000 title claims abstract description 115
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 115
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 241000238631 Hexapoda Species 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 101100441252 Caenorhabditis elegans csp-2 gene Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 102100027557 Calcipressin-1 Human genes 0.000 description 2
- 101100247605 Homo sapiens RCAN1 gene Proteins 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 101150064416 csp1 gene Proteins 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101100441244 Caenorhabditis elegans csp-1 gene Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241001237728 Precis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (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)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于YOLO v5的农业病虫害检测方法及装置,通过构建基于深度监督的YOLO v5病虫害检测模型,基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;将待检测农业病虫害图像输入基于深度监督的YOLO v5病虫害检测模型,以使Stem主干特征网络提取待检测农业病虫害图像中的初步特征,特征提取网络从所述初步特征中提取有效特征,预测网络根据有效特征输出预测结果,由于对YOLO v5模型中主干特征网络进行了改进,将原来的Focus模块改为Stem模块,加强了特征提取能力,在控制计算量的基础上有效提升特征表达能力,有效提升模型检测农业病虫害的准确性。
Description
技术领域
本发明涉及农业智能化和目标检测软件技术领域,尤其涉及一种基于YOLO v5的农业病虫害检测方法及装置。
背景技术
依靠人工观测和经验辨识的农业病虫害检测方法易造成疾病的误判,从而导致人力、物力和生产费用的浪费,从而难以达到预期的防治效果。同时,由于目前的农业技术人员经验不足,各种现代化技术实际运用的能力性能较低,难以在作物生产中及时发现和预警病害。虽然农业专家对识别病虫害有丰富的经验,但是难以及时到现场进行甄别因此,基于深度学习算法的自动检测农业病虫害系统应用而生,通过深度学习完成目标检测的相关研究应用在农业病虫害识别时,不仅可以识别病虫害属于哪个种类,更重要的是可以识别出病害和虫害在图片中的具体位置,因此已被广泛使用。相关技术中,使用YOLO模型进行农业病虫害识别检测,该模型会根据真实目标框的长宽比对检测出的预测框进行过滤,只保留部分预测框作为目标框,因此会损失一部分精度,降低农业病虫害检测的准确性。
发明内容
本发明提供一种基于YOLO v5的农业病虫害检测方法及装置,用以解决传统使用YOLO模型进行农业病虫害识别检测方法会损失部分精度,降低农业病虫害检测的准确性的缺陷。
本发明提供一种农业病虫害检测方法,包括:
构建基于深度监督的YOLO v5病虫害检测模型,所述基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;
将待检测农业病虫害图像输入所述基于深度监督的YOLO v5病虫害检测模型,以使所述Stem主干特征网络提取所述待检测农业病虫害图像中的初步特征,所述特征提取网络从所述初步特征中提取有效特征,所述预测网络根据所述有效特征输出预测结果。
根据本发明提供的一种农业病虫害检测方法,所述Stem主干特征网络提取所述待检测农业病虫害图像中的初步特征,包括:
对待检测农业病虫害图像对应的特征集合进行降维处理;
将降维后的特征集合分别输入第一卷积神经网络和第一最大池化网络,并将所述第一卷积神经网络和第一最大池化网络输出结果进行第一连接操作;
将第一连接操作结果分别输入第二卷积神经网络和第三卷积神经网络,并将所述第二卷积神经网络和第三卷积神经网络输出结果进行第二连接操作;
将第二连接操作结果分别输入第四卷积神经网络和第二最大池化网络,并将所述第四卷积神经网络和第二最大池化网络输出结果进行第三连接操作,得到第一网络特征层;
将所述第一网络特征层输入CBL模块,所述CBL模块包括CONV层、BN层和激活函数;
将CBL模块输出结果输入主干CSP模块,所述主干CSP模块包括第一主干分支和第二主干分支,所述第一主干分支包括CBL模块、残差组件和卷积网络;第二主干分支包括卷积网络;
将主干CSP模块输出结果再次输入CBL模块,得到第二网络特征层,所述第二网络特征层用于输出所述待检测农业病虫害图像中的初步特征。
根据本发明提供的一种农业病虫害检测方法,所述特征提取网络从所述初步特征中提取有效特征,包括:
将所述第二网络特征层输入CBL模块和主干CSP模块,得到第三网络特征层;
将所述第三网络特征层输入CBL模块和主干CSP模块,得到第四网络特征层;
将所述第四网络特征层输入空间金字塔池化结构网络和提取CSP模块,得到第五网络特征层,所述第三网络特征层、第四网络特征层和第五网络特征层用于输出有效特征;
所述空间金字塔池化结构网络中包括两个卷积层和多个核大小不同的最大池化层;
所述提取CSP模块包括第一提取分支和第二提取分支,所述第一提取分支包括CBL模块、多个CBL模块和卷积网络,所述第二提取分支包括卷积网络。
根据本发明提供的一种农业病虫害检测方法,所述特征提取网络从所述初步特征中提取有效特征,还包括:
将所述第五网络特征层进行第一上采样,将第一上采样输出的特征图与第三网络特征层进行特征融合得到第六网络特征层;
将所述第五网络特征层进行第二上采样,将第二上采样输出的特征图与第四网络特征层进行特征融合得到第七网络特征层;
将第七网络特征层进行第一下采样,将第一次下采样输出的特征图与第六网络特征层进行特征融合得到第八网络特征层;
将第七网络特征层进行第二下采样,将第二次下采样输出的特征图与第五网络特征层进行特征融合得到第九网络特征层;
所述第六网络特征层、第七网络特征层、第八网络特征层和第九网络特征层用于输出有效特征。
根据本发明提供的一种农业病虫害检测方法,所述预测网络包括引导头和辅助头,所述根据所述有效特征输出预测结果,还包括:
将所述第五网络特征层、第六网络特征层、第七网络特征层输出的有效特征分别输入不同的辅助头,将第七网络特征层、第八网络特征层、第九网络特征层输出的有效特征分别输入不同的引导头;所述辅助头和引导头对所述有效特征进行深度监督学习,输出预测结果,所述预测结果根据所述引导头输出预测结果和辅助头输出预测结果加权求和得到。
根据本发明提供的一种农业病虫害检测方法,所述引导头还用于生成粗标签和细标签,所述深度监督学习的训练过程包括:
根据损失函数计算所述引导头基于训练样本集输出的预测结果与真实结果之间的第一损失值;
根据所述第一损失值和所述细标签指导所述引导头输出预测结果;
根据损失函数计算所述辅助头基于训练样本集输出的预测结果与真实结果之间的第二损失值;
根据所述第二损失值和所述粗标签指导所述辅助头输出预测结果。
根据本发明提供的一种农业病虫害检测方法,所述训练样本集获取方法包括:
将训练数据集中的多个GT框进行聚类操作得到多个先验框;
将每个GT框与每个先验框进行匹配;
根据匹配结果筛选出第一正样本、负样本和背景;
将离GT框的中心位置最近的预设个数邻域网格作为第二正样本;
根据所述第一正样本、第二正样本、负样本和背景生成训练样本集。
根据本发明提供的一种农业病虫害检测方法,所述训练数据集的获取方法包括:
收集农业病虫害图像;
对所述农业病虫害图像进行筛选得到清晰的农业病虫害图像;
根据病虫害的特征对清晰的农业病虫害图像进行分类,形成原始图像数据集;
对所述原始图像数据集进行数据扩充得到扩充图像数据集;
将扩充图像数据集划分为训练集、验证集和测试集;
对所述训练集中图像数据进行马赛克数据增强;
对数据增强后的训练集中的图像逐一进行类别和位置标注,得到训练数据集。
根据本发明提供的一种农业病虫害检测方法,所述待检测农业病虫害图像对应的特征集合获取方法包括:
将所述待检测农业病虫害图像进行卷积处理;
将卷积处理结果输入残差网络结构得到待检测农业病虫害图像对应的特征集合。
本发明还提供一种农业病虫害检测装置,包括:
构建模块,用于构建基于深度监督的YOLO v5病虫害检测模型,所述基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;
预测模块,用于将待检测农业病虫害图像输入所述基于深度监督的YOLO v5病虫害检测模型,以使所述Stem主干特征网络提取所述待检测农业病虫害图像中的初步特征,所述特征提取网络从所述初步特征中提取有效特征,所述预测网络根据所述有效特征输出预测结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的农业病虫害检测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的农业病虫害检测方法。
本发明提供的基于YOLO v5的农业病虫害检测方法及装置,通过构建基于深度监督的YOLO v5病虫害检测模型,基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;将待检测农业病虫害图像输入基于深度监督的YOLO v5病虫害检测模型,以使Stem主干特征网络提取待检测农业病虫害图像中的初步特征,特征提取网络从所述初步特征中提取有效特征,预测网络根据有效特征输出预测结果,由于对YOLO v5模型中主干特征网络进行了改进,将原来的Focus模块改为Stem模块,加强了特征提取能力,在控制计算量的基础上有效提升特征表达能力,有效提升模型检测农业病虫害的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,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讲,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是本发明提供的农业病虫害检测方法的流程示意图之一;
图2是本发明提供的农业病虫害检测方法的流程示意图之二;
图3是本发明提供的基于深度监督的YOLO v5病虫害检测模型的框架图;
图4是现有技术中Focus模块结构图;
图5是本发明提供的Stem模块结构图;
图6是本发明提供的农业病虫害检测方法的流程示意图之三;
图7是本发明提供的农业病虫害检测方法的流程示意图之四;
图8是本发明提供的农业病虫害检测方法的流程示意图之五;
图9是本发明提供的CBL模块结构图;
图10是本发明提供的主干CSP模块结构图;
图11是本发明提供的残差组件模块结构图;
图12是本发明提供的提取CSP模块结构图;
图13是本发明提供的SPP网络结构图;
图14是本发明提供的预测网络结构图;
图15是本发明提供的辅助头和引导头的学习流程示意图;
图16是本发明提供的农业病虫害检测装置的结构示意图;
图17是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的农业病虫害检测方法的流程图,如图1所示,本发明实施例提供的农业病虫害检测方法包括:
步骤101、构建基于深度监督的YOLO v5病虫害检测模型,基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;
步骤102、将待检测农业病虫害图像输入基于深度监督的YOLO v5病虫害检测模型,以使Stem主干特征网络提取待检测农业病虫害图像中的初步特征,特征提取网络从初步特征中提取有效特征,预测网络根据有效特征输出预测结果。
传统使用YOLO模型进行农业病虫害检测方法中,由于YOLO模型会根据真实目标框的长宽比对检测出的预测框进行过滤,只保留部分预测框作为目标框,因此会损失一部分精度,降低农业病虫害检测的准确性。
本发明实施例提供的农业病虫害检测方法通过构建基于深度监督的YOLO v5病虫害检测模型,基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;将待检测农业病虫害图像输入基于深度监督的YOLO v5病虫害检测模型,以使Stem主干特征网络提取待检测农业病虫害图像中的初步特征,特征提取网络从所述初步特征中提取有效特征,预测网络根据有效特征输出预测结果,由于对YOLO v5模型中主干特征网络进行了改进,将原来的Focus模块改为Stem模块,加强了特征提取能力,在控制计算量的基础上有效提升特征表达能力,有效提升模型检测农业病虫害的准确性。
基于上述任一实施例,如图2所示,基于深度监督的YOLO v5病虫害检测模型进行训练时基于的训练数据集的获取方法包括:
步骤201、收集农业病虫害图像;
在本发明实施例中,通过实地拍摄采集和网络爬虫等多种方法收集农业病虫害图像。首先设置病虫害图像特征成像的阈值,对于像素值低于阈值的图像进行滤除。
步骤202、对农业病虫害图像进行筛选得到清晰的农业病虫害图像;
在本发明实施例中,通过机器学习的方法筛选合格图像,删除像素值低的图像以及图像病虫害特征不明显难以辨别的图像,提高数据质量,提升农业病虫害识别的准确性。
在本发明一些实施例中,还包括手动筛选图像,对经过机器学习方法筛选后的数据集进行手动筛选,去除极度形变、背景杂波严重等不符合病虫害检测要求的图像。
步骤203、根据病虫害的特征对清晰的农业病虫害图像进行分类,形成原始图像数据集;
步骤204、对原始图像数据集进行数据扩充得到扩充图像数据集;
在本发明实施例中,通过传统的镜像、旋转、缩放、调整亮度、对比度、高斯噪声等方式对原始数据集进行数据扩充。利用python实现旋转图像角度、缩放原始图像、调节分辨率,添加噪音以改变背景噪音程度,图像平移反转等方法扩充原始数据集。经过扩充后的每类病虫害图像在5520张左右,对扩充后的数据集进行均匀混合,得到扩充图像数据集。
步骤205、将扩充图像数据集划分为训练集、验证集和测试集;
在本发明实施例中,将扩充图像数据集按照7:2:1的比例进行划分,分别为训练集、验证集和测试集。
步骤206、对训练集中图像数据进行马赛克数据增强;
在本发明实施例中,从训练集中每次随机读取四张图片,分别对四张图片进行翻转(对原始图片进行左右的翻转)、缩放(对原始图片进行大小的缩放)、色域变化(对原始图片的明亮度、饱和度、色调进行改变)等操作,操作完成后再将原始图片按照顺序排列,如第一张图片摆放在左上,第二张图片摆放在左下,第三张图片摆放在右下,第四张图片摆放在右上。利用矩阵方法将每张图像中的固定区域进行截取,重新进行拼接,形成一种新的图像,该图像同样含有目标框等信息。利用python扩充方法只能在数据集的数据总量进行扩充,而数剧增强方法可以丰富样本多样性,极大程度降低模型对于多样性学习的难度,加快模型学习效率,丰富图像的背景。
步骤207、对数据增强后的训练集中的图像逐一进行类别和位置标注,得到训练数据集。
在本发明实施例中,所有图像均调整为640×640像素,同时根据病虫害图像的类别和位置,使用LabelImg图像标注工具对增强后的训练集和其他未经过数剧增强的验证集逐一进行标注,保存为包含目标类别信息与位置信息的XML文件,标注完毕后每张病虫害图像与包含标注信息的文件相对应,组成最终数据集。
本发明实施例中,构建基于深度监督的YOLO v5病虫害检测模型,将采集并处理后的农业病虫害图像数据作为模型输入数据,提升模型训练速度和检测精度。
如图3所示,改进后的YOLO v5网络架构整体分为三部分:Stem主干特征网络(BackBone)、特征提取网络(Neck)和预测网络(YOLO Head),原YOLO v5模型中BackBone为Focus模块,改进后的YOLO v5网络架构将Focus模块改为Stem模块,其中Focus模块结构如图4所示,Stem模块结构如图5所示。Stem模块较Focus模块,加强了特征提取能力,在不增长计算量的基础上有效提升特征表达能力。
基于上述任一实施例,如图6所示,Stem主干特征网络提取待检测农业病虫害图像中的初步特征,包括:
步骤601、对待检测农业病虫害图像对应的特征集合进行降维处理;
本发明实施例中,待检测农业病虫害图像对应的特征集合获取方法包括:
将待检测农业病虫害图像进行卷积处理;
将卷积处理结果输入残差网络结构得到待检测农业病虫害图像对应的特征集合。
步骤602、将降维后的特征集合分别输入第一卷积神经网络和第一最大池化网络,并将第一卷积神经网络和第一最大池化网络输出结果进行第一连接操作;
步骤603、将第一连接操作结果分别输入第二卷积神经网络和第三卷积神经网络,并将第二卷积神经网络和第三卷积神经网络输出结果进行第二连接操作;
步骤604、将第二连接操作结果分别输入第四卷积神经网络和第二最大池化网络,并将第四卷积神经网络和第二最大池化网络输出结果进行第三连接操作,得到第一网络特征层;
步骤605、将第一网络特征层输入CBL模块,CBL模块包括CONV层、BN层和激活函数;
CONV是卷积操作,BN(Batch Normalization,归一化批处理)使数据在进入激活函数训练前进行批量的标准化。
步骤606、将CBL模块输出结果输入主干CSP模块,主干CSP模块包括第一主干分支和第二主干分支,第一主干分支包括CBL模块、残差组件和卷积网络;第二主干分支包括卷积网络;
本发明实例中,CSP(Cross Stage Partial network,论文地址)结构,其主要作用是在保证模型性能的前提下,减少模型参数和计算量。因此主干特征网络中加入CSP模块不仅可以增强网络学习能力,还可以降低计算量。
步骤607、将主干CSP模块输出结果再次输入CBL模块,得到第二网络特征层,第二网络特征层用于输出待检测农业病虫害图像中的初步特征。
基于上述任一实施例,如图7所示,特征提取网络从初步特征中提取有效特征,包括:
步骤701、将第二网络特征层输入CBL模块和主干CSP模块,得到第三网络特征层;
步骤702、将第三网络特征层输入CBL模块和主干CSP模块,得到第四网络特征层;
步骤703、将第四网络特征层输入SPP(Spatial Pyramid Pooling,空间金字塔池化结构)网络和提取CSP模块,得到第五网络特征层,第三网络特征层、第四网络特征层和第五网络特征层用于输出有效特征;空间金字塔池化结构网络中包括两个卷积层和多个核大小不同的最大池化层;提取CSP模块包括第一提取分支和第二提取分支,第一提取分支包括CBL模块、多个CBL模块和卷积网络,第二提取分支包括卷积网络。
本发明实施例中,特征提取网络从初步特征中提取有效特征,还包括:
将第五网络特征层进行第一上采样,将第一上采样输出的特征图与第三网络特征层进行特征融合得到第六网络特征层;
将第五网络特征层进行第二上采样,将第二上采样输出的特征图与第四网络特征层进行特征融合得到第七网络特征层;
将第七网络特征层进行第一下采样,将第一次下采样输出的特征图与第六网络特征层进行特征融合得到第八网络特征层;
将第七网络特征层进行第二下采样,将第二次下采样输出的特征图与第五网络特征层进行特征融合得到第九网络特征层;第六网络特征层、第七网络特征层、第八网络特征层和第九网络特征层用于输出有效特征。
基于上述任一实施例,预测网络包括引导头和辅助头,根据有效特征输出预测结果,还包括:
将第五网络特征层、第六网络特征层、第七网络特征层输出的有效特征分别输入不同的辅助头,将第七网络特征层、第八网络特征层、第九网络特征层输出的有效特征分别输入不同的引导头;辅助头和引导头对有效特征进行深度监督学习,输出预测结果,预测结果根据引导头输出预测结果和辅助头输出预测结果加权求和得到。
在本发明实施例中,引导头还用于生成粗标签和细标签,所述深度监督学习的训练过程包括:
根据损失函数计算引导头基于训练样本集输出的预测结果与真实结果之间的第一损失值;
根据第一损失值和细标签指导引导头输出预测结果;
根据损失函数计算辅助头基于训练样本集输出的预测结果与真实结果之间的第二损失值;
根据第二损失值和粗标签指导辅助头输出预测结果。
在本发明实施例中,如图8所示,训练样本集获取方法包括:
步骤801、将训练数据集中的多个GT框进行聚类操作得到多个先验框;
步骤802、将每个GT框与每个先验框进行匹配;
步骤803、根据匹配结果筛选出第一正样本、负样本和背景;
步骤804、将离GT框的中心位置最近的预设个数邻域网格作为第二正样本;
步骤805、根据第一正样本、第二正样本、负样本和背景生成训练样本集。
在本发明实施例中,GT框与先验框的匹配策略采用SimOTA方法,simOTA的作用是为不同目标设定不同的正样本数量,SimOTA首先会计算一个cost代价矩阵,cost代价矩阵代表每个真实框和每个特征点之间的代价关系。在进行网络训练前,根据训练集中的GT框,利用K-Means聚类算法,先验得到9个anchor框,这些框按照cost从小到大排列。每个GT框需与9个anchor框进行匹配。用较大的值除以较小的值,对于比值大于1的匹配对,求每个GT框的宽分别与9种anchor框的宽的比值、每个GT框的高分别与9种anchor框的高的比值。在宽比值和高比值中取最大的一个比值,若其小于设定的比值阈值,这个anchor框的预测框就被称为正样本,反之,该anchor框是负样本。一个GT框可能会和几个anchor框均能匹配(在本发明实施例中最多与9个anchor框匹配),所以一个GT框可能在不同的网络层上做预测训练,大大增加了正样本的数量。除此之外,一个GT框也可能会没有任何anchor框能匹配,此时的GT框会被默认为背景,不参与模型训练,此时,发出anchor框的大小不符合实际的提示信息。
在本发明实施例中,将离GT框的中心位置最近的2个邻域网格也作为正样本,此时的GT框由3个正样本来预测,与传统模型相比,正样本数量变为3倍(最大的匹配数由9个升至27个)。计算预测框与真实框进行IoU(Intersection over Union)操作,获取预测结果排名前10的IoU值,将10个IoU值进行加和操作后会得到正样本数量,最小取1。根据损失函数计算每个GT框和候选anchor框损失(训练前期会加大分类损失权重,训练后期减低分类损失权重),并保留损失最小的前K个,去除掉同一个anchor被分配到多个GT的情况。
本发明实施例提供的农业病虫害检测方法通过对模型训练样本集进行筛选,提高模型的学习性能,从而有利于提高对农业病虫害检测的准确性。
在本发明实施例中,构建基于深度监督的YOLO v5病虫害检测模型,将采集并处理后的农业病虫害图像数据作为模型输入数据,对原始YOLO v5模型进行改进,提升模型检测精度,具体包括如下步骤:
(1)将输入图像的特征集合在改进后的主干特征网络中进行下采样,图像首先经过Stem模块,将特征集合经过3个步长为2,卷积核为3的卷积神经网络,达到快速降维的作用;降维后输出结果分别输入两个分支,一个分支是步长为2,卷积核为3的卷积神经网络,另一个分支是最大池化网络;然后将两个分支结果进行Concat操作,Concat是张量拼接技术,不仅可以扩展张量的维度,还可利用特征融合技术使目前的网络模型既具有浅层次特征又具有深层次特征,将输出结果再分别输入两个分支,一个分支主要包含4个步长为1,卷积核分别为1,1,3,3的卷积神经网络,另一个分支是主要包含2个步长为1,卷积核分别为1,3的卷积神经网络;将两个分支结果再进行Concat操作,将输出结果再分别输入两个分支,一个分支是步长为1,卷积核为3的卷积神经网络,另一个分支是最大池化网络,将两个分支结果进行Concat操作,输出网络特征层S1,此时特征层的大小为(320*320*64)。Stem模块的采用了步长为2,卷积核为3的卷积神经网络和最大池化网络结合的池化策略,可以丰富特征层的信息。
(2)将网络特征层S1输入CBL模块,CBL模块结构如图9所示,主要包括CONV层、BN层和Leaky ReLU激活函数。
(3)将CBL模块输出结果再经过1层主干CSP模块(CSP1模块),CSP1模块主要由两条分支组成,第一条分支是由CBL模块、X个残差组件和卷积网络组成,其中残差组件主要是由2个CBL模块与残差块输入执行Add操作获取;第二条分支仅执行卷积操作,两条分支结果执行Concat操作,输出结果经过BN模块、激活函数和CBL模块获得网络特征层S2,大小为(160,160,128)。在BackBone部分应用的CSP1_X模块不仅可以增强网络学习能力,还可以降低计算量。其中CSP1模块结构如图10所示,残差组件模块结构如图11所示。
(4)将网络特征层S2输入至一层CBL模块和含三个残差组件的CSP1_3模块,获得网络特征层S3(80,80,256);网络特征层S3输入至一层CBL模块和含三个残差组件的CSP1_3模块获得网络特征层S4(40,40,512)。
(5)将网络特征层S4输入至一层CBL模块、SPP(Spatial Pyramid Pooling,空间金字塔池化结构)网络模块和一个提取CSP模块(CSP2)模块,输出网络特征层S5,大小为(20,20,1024)。其中SPP网络结构中前后各有一个卷积层,中间经过4个最大池化层,核大小分别为1*1,5*5,9*9,13*13,SPP网络结构如附图12所示。对于不同的核参数,最大池化层提取的感受野不同,对不同感受野的特征进行拼接,再利用卷积层将拼接后的特征聚合,提升深层特征的表达能力,有效地防止过拟合。CSP_2模块主要是应用在Neck模块的CSP2_X网络结构,主要由两条分支组成,第一条分支是由CBL模块、2*X个CBL模块和卷积网络组成,第二条分支仅执行卷积操作,两条分支结果执行Concat操作,输出结果经过BN层、Leaky ReLU激活函数和CBL模块,其中CSP_2模块结构如附图13所示。
通过以上操作不断提取包含语义信息更多的特征层。
(6)将网络特征层S5经过两次上采样,第一次上采样输出特征图与S3进行特征融合得到网络特征层S6。第二次上采样输出特征图与S4进行特征融合得到网络特征层S7。
(7)将网络特征层S7输入网络进行下采样操作,将第一次下采样操作输出的特征图与网络特征层S6进行特征融合得到网络特征层S8,将第二次下采样操作输出的特征图与网络特征层S5进行特征融合得到网络特征层S9,以此来得到更好的特征。
(8)最后YOLO Head利用提取特征对结果进行预测。
在本发明实施例中,基于深度监督的YOLO v5病虫害检测模型的YOLO Head模块,引入由粗到细引导标签分配策略对病虫害进行更准确的分类和定位。本发明实施例利用引导头的预测结果作为指导,生成从粗到细的层次标签,将这些层次标签分别用于辅助头(Aux Head)和引导头(Lead Head)的学习,改变YOLO v5原有的只具有引导头的结构,改进后预测网络结构如附图14所示。首先将网络特征层S5、S6和S7的结果分别输入至不同的辅助头,将网络特征层S7、S8和S9的结果分别输入至不同的引导头。辅助头和引导头均需对目标进行深度监督,通过引导头的预测来引导辅助头以及自身。首先使用引导头的预测作为指导,生成从粗到细的层次标签,再分别用于辅助头和引导头的学习,如附图15所示。其中的层次标签需使用标签分配器将预测结果与真实结果一起考虑后再分配。
引导头使用自身的预测结果和真实结果计算生成软标签,引导标签进行分配。在此过程中生成粗标签和细标签两种软标签,其中细标签和引导头在标签分配器上生成的软标签相同,粗标签可以通过降低正样本分配的约束,允许更多的网格作为正样本。辅助头的损失函数加权系数不能过大,否则会导致引导头出来的结果精度变低。
损失函数整体分为坐标损失、目标置信度损失和分类损失三部分。其中目标置信度损失和分类损失采用BCEWithLogits Loss(带log的二值交叉熵损失),坐标损失采用CIoU损失。坐标损失函数的如公式(2)、(3)所示:
目标置信度损失由正样本匹配得到的样本对计算,一是预测框中的目标置信度分数po;二是预测框和与之对应的目标框的IoU值,其作为GT框,两者计算二进制交叉熵得到最终的目标置信度损失。目标置信度的公式如公式(4)所示。
分类损失与目标置信度损失类似,通过预测框的类别分数和目标框类别的one-hot表现来计算类别损失,分类损失函数如公式(5)所示:
三个部分的损失均是通过匹配到的正样本对来计算,每一个输出特征图相互独立,直接相加得到最终每一部分的损失值。总损失函数计算公式如公式(6)所示。
其中,K,S2,B分别为输出的特征图cell和每个cell中的Anchor数量;α*表示每一项损失函数的权重,表示第k个输出的特征图,第i个cell,第j个Anchor box是否为正样本,如果是正样本则为1,反之为0;tp,tgt是预测向量和真实值向量;的作用是平衡每个尺度的输出特征图的权重;为最终计算损失函数。
本发明实施例提供的农业病虫害检测方法通过预测网络中的引导头和辅助头,辅助头和引导头的输入不同,辅助头和引导头均需对目标进行深度监督,通过引导头的预测来引导辅助头以及自身,从而优化模型性能,提高检测结果准确性,并且,通过引导头的预测来指导辅助头以及自身预测结果,可以进一步提高对农业病虫害检测的准确性。
在本发明实施例中,模型训练结束后,通过实验分析对比模型对农业病虫害图像的识别精度、识别耗时及模型实时性能。使用Precis ion-Recal l曲线、AP(检测精度)、mAP(AP值在所有类别下的均值)评价模型精度,其中AP值即为P-R曲线与坐标轴围成区域面积,mAP是所有类的AP平均值,P-R曲线中召回率(R)的公式和精准率(P)的公式如下所示:
其中TP为被判为正类的正类,FN为被判为负类的正类,FP为被判为正类的负类,利用模型预测模块对测试集中的病虫害图像进行预测效果对比分析,获取最优检测模型。
下面对本发明提供的农业病虫害检测装置进行描述,下文描述的农业病虫害检测装置与上文描述的农业病虫害检测方法可相互对应参照。
图16发明实施例提供的农业病虫害检测装置的示意图,如图16所示,本发明实施例提供的农业病虫害检测装置包括:
构建模块1601,用于构建基于深度监督的YOLO v5病虫害检测模型,基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;
预测模块1602,用于将待检测农业病虫害图像输入基于深度监督的YOLO v5病虫害检测模型,以使Stem主干特征网络提取待检测农业病虫害图像中的初步特征,特征提取网络从所述初步特征中提取有效特征,预测网络根据所述有效特征输出预测结果。
本发明实施例提供的农业病虫害检测装置通过构建基于深度监督的YOLO v5病虫害检测模型,基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;将待检测农业病虫害图像输入基于深度监督的YOLO v5病虫害检测模型,以使Stem主干特征网络提取待检测农业病虫害图像中的初步特征,特征提取网络从所述初步特征中提取有效特征,预测网络根据有效特征输出预测结果,由于对YOLO v5模型中主干特征网络进行了改进,将原来的Focus模块改为Stem模块,加强了特征提取能力,在控制计算量的基础上有效提升特征表达能力,有效提升模型检测农业病虫害的准确性。
图17示例了一种电子设备的实体结构示意图,如图17所示,该电子设备可以包括:处理器(processor)1710、通信接口(Communications Interface)1720、存储器(memory)1730和通信总线1740,其中,处理器1710,通信接口1720,存储器1730通过通信总线1740完成相互间的通信。处理器1710可以调用存储器1730中的逻辑指令,以执行农业病虫害检测方法,该方法包括:构建基于深度监督的YOLO v5病虫害检测模型,基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;将待检测农业病虫害图像输入基于深度监督的YOLO v5病虫害检测模型,以使Stem主干特征网络提取待检测农业病虫害图像中的初步特征,特征提取网络从初步特征中提取有效特征,预测网络根据有效特征输出预测结果。
此外,上述的存储器1730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的农业病虫害检测方法,该方法包括:构建基于深度监督的YOLO v5病虫害检测模型,基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;将待检测农业病虫害图像输入基于深度监督的YOLO v5病虫害检测模型,以使Stem主干特征网络提取待检测农业病虫害图像中的初步特征,特征提取网络从初步特征中提取有效特征,预测网络根据有效特征输出预测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种农业病虫害检测方法,其特征在于,包括:
构建基于深度监督的YOLO v5病虫害检测模型,所述基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;
将待检测农业病虫害图像输入所述基于深度监督的YOLO v5病虫害检测模型,以使所述Stem主干特征网络提取所述待检测农业病虫害图像中的初步特征,所述特征提取网络从所述初步特征中提取有效特征,所述预测网络根据所述有效特征输出预测结果。
2.根据权利要求1所述的农业病虫害检测方法,其特征在于,所述Stem主干特征网络提取所述待检测农业病虫害图像中的初步特征,包括:
对待检测农业病虫害图像对应的特征集合进行降维处理;
将降维后的特征集合分别输入第一卷积神经网络和第一最大池化网络,并将所述第一卷积神经网络和第一最大池化网络输出结果进行第一连接操作;
将第一连接操作结果分别输入第二卷积神经网络和第三卷积神经网络,并将所述第二卷积神经网络和第三卷积神经网络输出结果进行第二连接操作;
将第二连接操作结果分别输入第四卷积神经网络和第二最大池化网络,并将所述第四卷积神经网络和第二最大池化网络输出结果进行第三连接操作,得到第一网络特征层;
将所述第一网络特征层输入CBL模块,所述CBL模块包括CONV层、BN层和激活函数;
将CBL模块输出结果输入主干CSP模块,所述主干CSP模块包括第一主干分支和第二主干分支,所述第一主干分支包括CBL模块、残差组件和卷积网络;第二主干分支包括卷积网络;
将主干CSP模块输出结果再次输入CBL模块,得到第二网络特征层,所述第二网络特征层用于输出所述待检测农业病虫害图像中的初步特征。
3.根据权利要求2所述的农业病虫害检测方法,其特征在于,所述特征提取网络从所述初步特征中提取有效特征,包括:
将所述第二网络特征层输入CBL模块和主干CSP模块,得到第三网络特征层;
将所述第三网络特征层输入CBL模块和主干CSP模块,得到第四网络特征层;
将所述第四网络特征层输入空间金字塔池化结构网络和提取CSP模块,得到第五网络特征层,所述第三网络特征层、第四网络特征层和第五网络特征层用于输出有效特征;
所述空间金字塔池化结构网络中包括两个卷积层和多个核大小不同的最大池化层;
所述提取CSP模块包括第一提取分支和第二提取分支,所述第一提取分支包括CBL模块、多个CBL模块和卷积网络,所述第二提取分支包括卷积网络。
4.根据权利要求3所述的农业病虫害检测方法,其特征在于,所述特征提取网络从所述初步特征中提取有效特征,还包括:
将所述第五网络特征层进行第一上采样,将第一上采样输出的特征图与第三网络特征层进行特征融合得到第六网络特征层;
将所述第五网络特征层进行第二上采样,将第二上采样输出的特征图与第四网络特征层进行特征融合得到第七网络特征层;
将第七网络特征层进行第一下采样,将第一次下采样输出的特征图与第六网络特征层进行特征融合得到第八网络特征层;
将第七网络特征层进行第二下采样,将第二次下采样输出的特征图与第五网络特征层进行特征融合得到第九网络特征层;
所述第六网络特征层、第七网络特征层、第八网络特征层和第九网络特征层用于输出有效特征。
5.根据权利要求4所述的农业病虫害检测方法,其特征在于,所述预测网络包括引导头和辅助头,所述根据所述有效特征输出预测结果,还包括:
将所述第五网络特征层、第六网络特征层、第七网络特征层输出的有效特征分别输入不同的辅助头,将第七网络特征层、第八网络特征层、第九网络特征层输出的有效特征分别输入不同的引导头;所述辅助头和引导头对所述有效特征进行深度监督学习,输出预测结果,所述预测结果根据所述引导头输出预测结果和辅助头输出预测结果加权求和得到。
6.根据权利要求5所述的农业病虫害检测方法,其特征在于,所述引导头还用于生成粗标签和细标签,所述深度监督学习的训练过程包括:
根据损失函数计算所述引导头基于训练样本集输出的预测结果与真实结果之间的第一损失值;
根据所述第一损失值和所述细标签指导所述引导头输出预测结果;
根据损失函数计算所述辅助头基于训练样本集输出的预测结果与真实结果之间的第二损失值;
根据所述第二损失值和所述粗标签指导所述辅助头输出预测结果。
7.根据权利要求6所述的农业病虫害检测方法,其特征在于,所述训练样本集获取方法包括:
将训练数据集中的多个GT框进行聚类操作得到多个先验框;
将每个GT框与每个先验框进行匹配;
根据匹配结果筛选出第一正样本、负样本和背景;
将离GT框的中心位置最近的预设个数邻域网格作为第二正样本;
根据所述第一正样本、第二正样本、负样本和背景生成训练样本集。
8.根据权利要求7所述的农业病虫害检测方法,其特征在于,所述训练数据集的获取方法包括:
收集农业病虫害图像;
对所述农业病虫害图像进行筛选得到清晰的农业病虫害图像;
根据病虫害的特征对清晰的农业病虫害图像进行分类,形成原始图像数据集;
对所述原始图像数据集进行数据扩充得到扩充图像数据集;
将扩充图像数据集划分为训练集、验证集和测试集;
对所述训练集中图像数据进行马赛克数据增强;
对数据增强后的训练集中的图像逐一进行类别和位置标注,得到训练数据集。
9.根据权利要求2所述的农业病虫害检测方法,其特征在于,所述待检测农业病虫害图像对应的特征集合获取方法包括:
将所述待检测农业病虫害图像进行卷积处理;
将卷积处理结果输入残差网络结构得到待检测农业病虫害图像对应的特征集合。
10.一种农业病虫害检测检测装置,其特征在于,包括:
构建模块,用于构建基于深度监督的YOLO v5病虫害检测模型,所述基于深度监督的YOLO v5病虫害检测模型包括Stem主干特征网络、特征提取网络和预测网络;
预测模块,用于将待检测农业病虫害图像输入所述基于深度监督的YOLO v5病虫害检测模型,以使所述Stem主干特征网络提取所述待检测农业病虫害图像中的初步特征,所述特征提取网络从所述初步特征中提取有效特征,所述预测网络根据所述有效特征输出预测结果。
11.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至9任一项所述的农业病虫害检测方法。
12.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的农业病虫害检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211339091.2A CN115546187A (zh) | 2022-10-28 | 2022-10-28 | 基于YOLO v5的农业病虫害检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211339091.2A CN115546187A (zh) | 2022-10-28 | 2022-10-28 | 基于YOLO v5的农业病虫害检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546187A true CN115546187A (zh) | 2022-12-30 |
Family
ID=84718115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211339091.2A Pending CN115546187A (zh) | 2022-10-28 | 2022-10-28 | 基于YOLO v5的农业病虫害检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546187A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129566A (zh) * | 2023-04-18 | 2023-05-16 | 松立控股集团股份有限公司 | 一种智能车位锁联动方法 |
CN117115640A (zh) * | 2023-07-04 | 2023-11-24 | 北京市农林科学院 | 一种基于改进YOLOv8的病虫害目标检测方法、装置及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538390A (zh) * | 2021-07-23 | 2021-10-22 | 仲恺农业工程学院 | 一种柚子病虫害的快速识别方法 |
CN113763412A (zh) * | 2021-09-08 | 2021-12-07 | 理光软件研究所(北京)有限公司 | 图像处理方法、装置及电子设备、计算机可读存储介质 |
CN114005029A (zh) * | 2021-10-20 | 2022-02-01 | 华南农业大学 | 基于改进yolov5网络的广佛手病虫害识别方法及系统 |
CN114078209A (zh) * | 2021-10-27 | 2022-02-22 | 南京航空航天大学 | 一种提升小目标检测精度的轻量级目标检测方法 |
CN114241425A (zh) * | 2022-02-21 | 2022-03-25 | 南京甄视智能科技有限公司 | 垃圾检测模型的训练方法、装置、存储介质及设备 |
CN114565780A (zh) * | 2022-02-25 | 2022-05-31 | 青岛海尔工业智能研究院有限公司 | 一种目标识别方法、装置、电子设备及存储介质 |
CN114708231A (zh) * | 2022-04-11 | 2022-07-05 | 常州大学 | 一种基于轻量化YOLO v5的甘蔗蚜虫目标检测方法 |
CN114782437A (zh) * | 2022-06-20 | 2022-07-22 | 西南石油大学 | 一种基于人工智能的电脑主板质量检测方法及系统 |
CN114821665A (zh) * | 2022-05-24 | 2022-07-29 | 浙江工业大学 | 一种基于卷积神经网络的城市人流小目标检测方法 |
CN114841961A (zh) * | 2022-05-05 | 2022-08-02 | 扬州大学 | 基于图像增强和改进YOLOv5的小麦赤霉病检测方法 |
-
2022
- 2022-10-28 CN CN202211339091.2A patent/CN115546187A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538390A (zh) * | 2021-07-23 | 2021-10-22 | 仲恺农业工程学院 | 一种柚子病虫害的快速识别方法 |
CN113763412A (zh) * | 2021-09-08 | 2021-12-07 | 理光软件研究所(北京)有限公司 | 图像处理方法、装置及电子设备、计算机可读存储介质 |
CN114005029A (zh) * | 2021-10-20 | 2022-02-01 | 华南农业大学 | 基于改进yolov5网络的广佛手病虫害识别方法及系统 |
CN114078209A (zh) * | 2021-10-27 | 2022-02-22 | 南京航空航天大学 | 一种提升小目标检测精度的轻量级目标检测方法 |
CN114241425A (zh) * | 2022-02-21 | 2022-03-25 | 南京甄视智能科技有限公司 | 垃圾检测模型的训练方法、装置、存储介质及设备 |
CN114565780A (zh) * | 2022-02-25 | 2022-05-31 | 青岛海尔工业智能研究院有限公司 | 一种目标识别方法、装置、电子设备及存储介质 |
CN114708231A (zh) * | 2022-04-11 | 2022-07-05 | 常州大学 | 一种基于轻量化YOLO v5的甘蔗蚜虫目标检测方法 |
CN114841961A (zh) * | 2022-05-05 | 2022-08-02 | 扬州大学 | 基于图像增强和改进YOLOv5的小麦赤霉病检测方法 |
CN114821665A (zh) * | 2022-05-24 | 2022-07-29 | 浙江工业大学 | 一种基于卷积神经网络的城市人流小目标检测方法 |
CN114782437A (zh) * | 2022-06-20 | 2022-07-22 | 西南石油大学 | 一种基于人工智能的电脑主板质量检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
CHIEN-YAO WANG等: ""YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors"", 《ARXIV:2207.02696V1》, pages 1 - 15 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129566A (zh) * | 2023-04-18 | 2023-05-16 | 松立控股集团股份有限公司 | 一种智能车位锁联动方法 |
CN117115640A (zh) * | 2023-07-04 | 2023-11-24 | 北京市农林科学院 | 一种基于改进YOLOv8的病虫害目标检测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680706B (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
CN115546187A (zh) | 基于YOLO v5的农业病虫害检测方法及装置 | |
CN114663346A (zh) | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 | |
CN113657294B (zh) | 一种基于计算机视觉的作物病虫害检测方法及系统 | |
CN112926652B (zh) | 一种基于深度学习的鱼类细粒度图像识别方法 | |
CN115063796A (zh) | 基于信号点内容约束的细胞分类方法和装置 | |
CN115099297B (zh) | 一种基于改进型YOLO v5模型的大豆植株表型数据统计方法 | |
CN114463759A (zh) | 一种基于无锚框算法的轻量化文字检测方法及装置 | |
CN111783819A (zh) | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 | |
CN114781514A (zh) | 一种融合注意力机制的漂浮物目标检测方法及系统 | |
CN115731597A (zh) | 一种人脸口罩掩膜图像自动分割与修复管理平台及方法 | |
CN113989799A (zh) | 一种宫颈异常细胞识别方法、装置和电子设备 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN113609944A (zh) | 一种静默活体检测方法 | |
CN117437691A (zh) | 一种基于轻量化网络的实时多人异常行为识别方法及系统 | |
CN107368847A (zh) | 一种作物叶部病害识别方法及系统 | |
CN116245855A (zh) | 作物品种鉴定方法、装置、设备及存储介质 | |
CN116385717A (zh) | 叶面病害识别方法、装置、电子设备、存储介质及产品 | |
CN115578624A (zh) | 农业病虫害模型构建方法、检测方法及装置 | |
CN115082922A (zh) | 基于深度学习的水表数字图片处理方法及系统 | |
CN115423802A (zh) | 基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法 | |
CN111950586B (zh) | 一种引入双向注意力的目标检测方法 | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
CN114140428A (zh) | 基于YOLOv5的落叶松毛虫虫害检测识别方法及系统 | |
CN113222887A (zh) | 基于深度学习的纳米铁标记神经干细胞示踪的方法 |
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 |