CN117523550A - 苹果病虫害检测方法、装置、电子设备和存储介质 - Google Patents
苹果病虫害检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117523550A CN117523550A CN202311568137.2A CN202311568137A CN117523550A CN 117523550 A CN117523550 A CN 117523550A CN 202311568137 A CN202311568137 A CN 202311568137A CN 117523550 A CN117523550 A CN 117523550A
- Authority
- CN
- China
- Prior art keywords
- feature
- feature map
- layer
- feature extraction
- extraction layer
- 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.)
- Granted
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 227
- 238000001514 detection method Methods 0.000 title claims abstract description 208
- 238000000605 extraction Methods 0.000 claims abstract description 460
- 201000010099 disease Diseases 0.000 claims abstract description 157
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 157
- 241000238631 Hexapoda Species 0.000 claims abstract description 104
- 241000220225 Malus Species 0.000 claims abstract description 86
- 241000196324 Embryophyta Species 0.000 claims abstract description 64
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 238000011176 pooling Methods 0.000 claims description 41
- 230000004927 fusion Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 241000764238 Isis Species 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 30
- 235000011430 Malus pumila Nutrition 0.000 description 32
- 235000015103 Malus silvestris Nutrition 0.000 description 32
- 230000004913 activation Effects 0.000 description 32
- 238000013528 artificial neural network Methods 0.000 description 18
- 235000021016 apples Nutrition 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000790 scattering method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Catching Or Destruction (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种苹果病虫害检测方法、装置、电子设备和存储介质,涉及计算机视觉技术领域。其中方法包括:将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到多尺度特征提取层输出的多个第一特征图,多个第一特征图的尺度不同;将多个第一特征图中尺度最小的目标特征图输入至病虫害检测模型中的第一特征提取层,得到第一特征提取层输出的第二特征图,第二特征图的尺度小于目标特征图的尺度;将多个第一特征图和第二特征图输入至病虫害检测模型中的病虫害检测层,得到病虫害检测层输出的病虫害检测结果。本发明可以确保病虫害检测模型对于大目标和小目标均有较好的识别准确性,最终提高苹果病虫害检测的准确性。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种苹果病虫害检测方法、装置、电子设备和存储介质。
背景技术
随着科技的迅速发展,人们对于苹果的质量和产量要求越来越高。为了提高苹果的质量和产量,需要构建机械化修剪、打药、采收、水肥一体化的智能决策系统。为了建立智能决策系统,需要对苹果进行病虫害检测。
目前,通过特征金字塔提取苹果图像的多尺度特征图,进而基于多尺度特征图进行病虫害检测。然而,该方式仅对小目标的识别准确性较好,对于大目标的识别准确性较差,进而导致苹果病虫害的检测准确性降低。
发明内容
本发明提供一种苹果病虫害检测方法、装置、电子设备和存储介质,用以解决现有技术中苹果病虫害的检测准确性低的缺陷。
本发明提供一种苹果病虫害检测方法,包括:
将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到所述多尺度特征提取层输出的多个第一特征图,所述多个第一特征图的尺度不同;
将所述多个第一特征图中尺度最小的目标特征图输入至所述病虫害检测模型中的第一特征提取层,得到所述第一特征提取层输出的第二特征图,所述第二特征图的尺度小于所述目标特征图的尺度;
将所述多个第一特征图和所述第二特征图输入至所述病虫害检测模型中的病虫害检测层,得到所述病虫害检测层输出的病虫害检测结果;
其中,所述病虫害检测模型是基于样本目标图像和所述样本目标图像对应的病虫害检测结果标签训练得到的。
根据本发明提供的一种苹果病虫害检测方法,所述将所述多个第一特征图中尺度最小的目标特征图输入至所述病虫害检测模型中的第一特征提取层,得到所述第一特征提取层输出的第二特征图,包括:
将所述目标特征图输入至所述第一特征提取层中的第一多通道特征提取层,得到所述第一多通道特征提取层输出的第三特征图,所述目标特征图为H×W×C1的特征图,所述第三特征图为H×W×C2的特征图,H表示特征图的长,W表示特征图的宽,C1和C2均表示特征图的通道数,C2=N2*C1,N为正整数;
对所述第三特征图进行尺度变换,得到第四特征图,所述第四特征图为NH×NW×C1的特征图;
将所述第四特征图输入至所述第一特征提取层中的第一卷积层,得到所述第一卷积层输出的第五特征图,所述第一卷积层包括步长为N的卷积层,所述第五特征图为H×W×C1的特征图;
将所述第五特征图输入至所述第一特征提取层中的第二卷积层,得到所述第二卷积层输出的第二特征图,所述第二卷积层包括步长为2的卷积层,所述第二特征图为的特征图。
根据本发明提供的一种苹果病虫害检测方法,所述将所述目标特征图输入至所述第一特征提取层中的第一多通道特征提取层,得到所述第一多通道特征提取层输出的第三特征图,包括:
将所述目标特征图输入至所述第一多通道特征提取层中的分组卷积层,得到所述分组卷积层输出的第一子特征图、第二子特征图和第三子特征图;
将所述目标特征图输入至所述第一多通道特征提取层中的平均池化层,得到所述平均池化层输出的第一目标特征图;
将所述第一目标特征图输入至所述第一多通道特征提取层中的第三卷积层,得到所述第三卷积层输出的第四子特征图,并将所述第一目标特征图输入至所述第一多通道特征提取层中的第四卷积层,得到所述第四卷积层输出的第五子特征图,并将所述第一目标特征图输入至所述第一多通道特征提取层中的第五卷积层,得到所述第五卷积层输出的第六子特征图;
将所述第一子特征图、所述第二子特征图、所述第三子特征图、所述第四子特征图、所述第五子特征图和所述第六子特征图输入至所述第一多通道特征提取层中的第一特征融合层,得到所述第一特征融合层输出的第三特征图。
根据本发明提供的一种苹果病虫害检测方法,所述将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到所述多尺度特征提取层输出的多个第一特征图,包括:
将所述目标图像输入至所述多尺度特征提取层中的第二特征提取层,得到所述第二特征提取层输出的第六特征图、第七特征图、第八特征图和第九特征图,所述第二特征提取层包括依次连接的多个特征提取层,所述第六特征图的尺度大于所述第七特征图的尺度,所述第七特征图的尺度大于所述第八特征图的尺度,所述第八特征图的尺度大于所述第九特征图的尺度;
将所述第六特征图输入至所述多尺度特征提取层中的第三特征提取层,得到所述第三特征提取层输出的第十特征图,并将所述第七特征图输入至所述多尺度特征提取层中的第四特征提取层,得到所述第四特征提取层输出的第十一特征图,并将所述第八特征图输入至所述多尺度特征提取层中的第五特征提取层,得到所述第五特征提取层输出的第十二特征图,并将所述第九特征图输入至所述多尺度特征提取层中的第六特征提取层,得到所述第六特征提取层输出的第十三特征图;
将所述第十三特征图进行上采样得到与所述第十二特征图相同尺度的第十四特征图,将所述第十四特征图与所述第十二特征图进行特征融合,得到第十五特征图;
将所述第十五特征图进行上采样得到与所述第十一特征图相同尺度的第十六特征图,将所述第十六特征图与所述第十一特征图进行特征融合,得到第十七特征图;
将所述第十七特征图进行上采样得到与所述第十特征图相同尺度的第十八特征图,将所述第十八特征图与所述第十特征图进行特征融合,得到第十九特征图;
将所述第十九特征图输入至所述多尺度特征提取层中的第七特征提取层,得到所述第七特征提取层输出的第二十特征图,并将所述第十七特征图输入至所述多尺度特征提取层中的第八特征提取层,得到所述第八特征提取层输出的第二十一特征图,并将所述第十五特征图输入至所述多尺度特征提取层中的第九特征提取层,得到所述第九特征提取层输出的第二十二特征图,并将所述第十三特征图输入至所述多尺度特征提取层中的第十特征提取层,得到所述第十特征提取层输出的第二十三特征图,所述多个第一特征图包括所述第二十特征图、所述第二十一特征图、所述第二十二特征图和所述第二十三特征图。
根据本发明提供的一种苹果病虫害检测方法,所述将所述目标图像输入至所述多尺度特征提取层中的第二特征提取层,得到所述第二特征提取层输出的第六特征图、第七特征图、第八特征图和第九特征图,包括:
将所述目标图像输入至所述第二特征提取层中的第十一特征提取层,得到所述第十一特征提取层输出的第二十四特征图;
将所述第二十四特征图输入至所述第二特征提取层中的第十二特征提取层,得到所述第十二特征提取层输出的第六特征图;
将所述第六特征图输入至所述第二特征提取层中的第十三特征提取层,得到所述第十三特征提取层输出的第七特征图;
将所述第七特征图输入至所述第二特征提取层中的第十四特征提取层,得到所述第十四特征提取层输出的第八特征图;
将所述第八特征图输入至所述第二特征提取层中的第十五特征提取层,得到所述第十五特征提取层输出的第九特征图。
根据本发明提供的一种苹果病虫害检测方法,所述将所述第二十四特征图输入至所述第二特征提取层中的第十二特征提取层,得到所述第十二特征提取层输出的第六特征图,包括:
将所述第二十四特征图输入至所述第十二特征提取层中的第十六特征提取层,得到所述第十六特征提取层输出的第七子特征图,并将所述第二十四特征图输入至所述第十二特征提取层中的第十七特征提取层,得到所述第十七特征提取层输出的第八子特征图,并将所述第二十四特征图输入至所述第十二特征提取层中的第十八特征提取层,得到所述第十八特征提取层输出的第九子特征图;
将所述第七子特征图、所述第八子特征图和所述第九子特征图输入至所述第十二特征提取层中的第二特征融合层,得到所述第二特征融合层输出的第六特征图。
根据本发明提供的一种苹果病虫害检测方法,所述将所述第六特征图输入至所述多尺度特征提取层中的第三特征提取层,得到所述第三特征提取层输出的第十特征图,包括:
将所述第六特征图输入至所述第三特征提取层中的第二多通道特征提取层,得到所述第二多通道特征提取层输出的第二十五特征图;
对所述第二十五特征图进行尺度变换,得到第二十六特征图;
将所述第二十六特征图输入至所述第三特征提取层中的第六卷积层,得到所述第六卷积层输出的第十特征图;
所述将所述第十九特征图输入至所述多尺度特征提取层中的第七特征提取层,得到所述第七特征提取层输出的第二十特征图,包括:
将所述第十九特征图输入至所述第七特征提取层中的第三多通道特征提取层,得到所述第三多通道特征提取层输出的第二十七特征图;
对所述第二十七特征图进行尺度变换,得到第二十八特征图;
将所述第二十八特征图输入至所述第七特征提取层中的第七卷积层,得到所述第七卷积层输出的第二十特征图。
本发明还提供一种苹果病虫害检测装置,包括:
第一特征提取模块,用于将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到所述多尺度特征提取层输出的多个第一特征图,所述多个第一特征图的尺度不同;
第二特征提取模块,用于将所述多个第一特征图中尺度最小的目标特征图输入至所述病虫害检测模型中的第一特征提取层,得到所述第一特征提取层输出的第二特征图,所述第二特征图的尺度小于所述目标特征图的尺度;
病虫害检测模块,用于将所述多个第一特征图和所述第二特征图输入至所述病虫害检测模型中的病虫害检测层,得到所述病虫害检测层输出的病虫害检测结果;
其中,所述病虫害检测模型是基于样本目标图像和所述样本目标图像对应的病虫害检测结果标签训练得到的。
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苹果病虫害检测方法。
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苹果病虫害检测方法。
本发明提供的苹果病虫害检测方法、装置、电子设备和存储介质,将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到该多尺度特征提取层输出的多个第一特征图,且多个第一特征图的尺度不同,以使后续输入至病虫害检测层的特征图的尺度不同;将多个第一特征图中尺度最小的目标特征图输入至病虫害检测模型中的第一特征提取层,得到该第一特征提取层输出的第二特征图,且第二特征图的尺度小于目标特征图的尺度,从而在尺度最小的目标特征图的基础上,进一步下采样得到尺度更小的第二特征图,从而可以关注更大的目标,提高病虫害检测模型对于大目标的识别准确性;且将多个第一特征图和第二特征图输入至病虫害检测模型中的病虫害检测层,得到该病虫害检测层输出的病虫害检测结果,以基于多个不同尺度的特征图进行病虫害检测,进而提高苹果病虫害检测的准确性,且基于多个第一特征图可以关注小目标,基于第二特征图可以关注更大的目标,从而确保病虫害检测模型对于大目标和小目标均有较好的识别准确性,最终提高苹果病虫害检测的准确性。
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为本发明提供的苹果病虫害检测方法的流程示意图;
图2为本发明提供的苹果病虫害检测模型的结构示意图之一;
图3为本发明提供的苹果病虫害检测模型的结构示意图之二;
图4为本发明提供的苹果病虫害检测模型的结构示意图之三;
图5为本发明提供的苹果病虫害检测模型的结构示意图之四;
图6为本发明提供的苹果病虫害检测模型的结构示意图之五;
图7为本发明提供的苹果病虫害检测装置的结构示意图;
图8为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。
随着科技的迅速发展,人们对于苹果的质量和产量要求越来越高。为了提高苹果的质量和产量,需要构建机械化修剪、打药、采收、水肥一体化的智能决策系统。为了建立智能决策系统,需要对苹果进行病虫害检测。
目前,通过特征金字塔提取苹果图像的多尺度特征图,进而基于多尺度特征图进行病虫害检测。然而,该方式仅对小目标的识别准确性较好,对于大目标的识别准确性较差,进而导致苹果病虫害的检测准确性降低。
例如,针对果园内害虫移动能力强、不易捕捉、图像获取困难的问题,设计了虫情采集监测器,实现了3种典型害虫的捕捉和图像采集。结合害虫在粘虫板上的分布特征,提出了一种随机拼接法和随机撒点法相结合的虫害图像增广方法,完成了典型虫害图像数据集的构建。为了对粘虫板上的小目标害虫进行准确的数量统计,基于YOLOV3-dense网络中DenseDarknet-53特征提取网络和U型架构的特征融合网络,提出了一种小目标害虫诊断方法,实现了对虫害实时、准确的诊断。在果园智能决策管控系统中,虫害诊断方法通过对相应日期粘虫板图像进行处理,获得虫害类型及发生数量,并通过与预警阈值进行对比,对虫害防治活动进行指导。然而,该方式仅对小目标的识别准确性较好,对于大目标的识别准确性较差。
又例如,首先进行苹果树图像信息采集,然后使用自动色彩增强算法去除其光照的影响,通过均值漂移聚类算法对图像进行聚类分割,保留枝干、树叶、苹果三部分,以提高图像特征值提取的准确性;利用Tamura算法提取分割后图像的线性度、粗糙度、对比度、方向度四类特征值;将上述四类特征值作为输入量训练径向基神经网络模型;最后将神经网络模型与Softmax分类器结合确定苹果树所患病虫害。然而,Tamura算法纹理特征提取只能提取图片的纹理特征,对图片颜色信息,空间信息无法利用,使用分类方法无法识别出一张图片中的多种病症,且特征提取对图像质量要求较高,图像模糊、曝光度高等干扰因素对结果影响较大。
针对上述问题,本发明提出以下各实施例。图1为本发明提供的苹果病虫害检测方法的流程示意图,如图1所示,该苹果病虫害检测方法包括:
步骤110,将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到所述多尺度特征提取层输出的多个第一特征图,所述多个第一特征图的尺度不同。
此处,目标图像可以为苹果植株图像,也可以为苹果果实图像。
此处,多尺度特征提取层用于对目标图像进行多尺度的特征提取。
在一实施例中,该多尺度特征提取层可以为特征金字塔层。在另一实施例中,该多尺度特征提取层可以参考下述实施例,此处不再赘述。
步骤120,将所述多个第一特征图中尺度最小的目标特征图输入至所述病虫害检测模型中的第一特征提取层,得到所述第一特征提取层输出的第二特征图,所述第二特征图的尺度小于所述目标特征图的尺度。
在一实施例中,将目标特征图输入至第一特征提取层中的卷积层,得到该卷积层输出的第二特征图。该卷积层用于缩小目标特征图的尺度,以得到尺度更小的第二特征图。例如,该卷积层为步长大于1的卷积层。进一步地,该卷积层的步长为2。进一步地,该卷积层为3*3卷积层。
在另一实施例中,该第一特征提取层可以参考下述实施例,此处不再赘述。当然,该第一特征提取层还可以为其他结构。
步骤130,将所述多个第一特征图和所述第二特征图输入至所述病虫害检测模型中的病虫害检测层,得到所述病虫害检测层输出的病虫害检测结果。
此处,病虫害检测层可以检测病虫害种类和/或病虫害位置。相应的,病虫害检测结果包括病虫害种类检测结果和/或病虫害位置检测结果。
其中,所述病虫害检测模型是基于样本目标图像和所述样本目标图像对应的病虫害检测结果标签训练得到的。该样本目标图像可以为苹果植株图像,也可以为苹果果实图像。进一步地,该样本目标图像为苹果植株或苹果果实发生病虫害部位对应的图像。
在一实施例中,样本目标图像为通过不同拍摄方式拍摄得到的图像。示例性的,通过不同拍摄角度(如仰拍、俯拍、侧拍和正拍等拍摄方向)进行拍摄。示例性的,通过设置不同光线情况,以拍摄各种光线的图像。基于此,可以提高病虫害检测模型的训练效果,进而提高病虫害检测模型的检测准确性。进一步地,若病虫害检测模型部署于移动终端,则样本目标图像也可以通过移动终端采集得到。
在一实施例中,对样本目标图像进行标注,得到病虫害检测结果标签。如对苹果植株或苹果果实病虫害部位进行框选标注。
在一实施例中,可以对标注好的样本目标图像进行数据增强,以得到更多的样本目标图像,进而提高病虫害检测模型的训练效果。该数据增强方式可以包括但不限于以下至少一种:旋转、翻转、裁剪、叠加、增加噪声、图像增加透明度等等。示例性的,叠加可以随机选取4张样本目标图像进行拼接。
在一实施例中,样本目标图像按照8:1:1的比例随机分为训练集、验证集和测试集,以训练该病虫害检测模型。
为便于更好地理解本发明实施例的病虫害检测模型,如图2所示,该病虫害模型包括多尺度特征提取层、第一特征提取层和病虫害检测层。需要说明的是,经过大量样本目标图像验证可知,该病虫害检测模型对于小目标和大目标的检测准确性均较高。
本发明实施例提供的苹果病虫害检测方法,将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到该多尺度特征提取层输出的多个第一特征图,且多个第一特征图的尺度不同,以使后续输入至病虫害检测层的特征图的尺度不同;将多个第一特征图中尺度最小的目标特征图输入至病虫害检测模型中的第一特征提取层,得到该第一特征提取层输出的第二特征图,且第二特征图的尺度小于目标特征图的尺度,从而在尺度最小的目标特征图的基础上,进一步下采样得到尺度更小的第二特征图,从而可以关注更大的目标,提高病虫害检测模型对于大目标的识别准确性;且将多个第一特征图和第二特征图输入至病虫害检测模型中的病虫害检测层,得到该病虫害检测层输出的病虫害检测结果,以基于多个不同尺度的特征图进行病虫害检测,进而提高苹果病虫害检测的准确性,且基于多个第一特征图可以关注小目标,基于第二特征图可以关注更大的目标,从而确保病虫害检测模型对于大目标和小目标均有较好的识别准确性,最终提高苹果病虫害检测的准确性。
基于上述任一实施例,该方法中,上述步骤120包括:
将所述目标特征图输入至所述第一特征提取层中的第一多通道特征提取层,得到所述第一多通道特征提取层输出的第三特征图,所述目标特征图为H×W×C1的特征图,所述第三特征图为H×W×C2的特征图,H表示特征图的长,W表示特征图的宽,C1和C2均表示特征图的通道数,C2=N2*C1,N为正整数;
对所述第三特征图进行尺度变换,得到第四特征图,所述第四特征图为NH×NW×C1的特征图;
将所述第四特征图输入至所述第一特征提取层中的第一卷积层,得到所述第一卷积层输出的第五特征图,所述第一卷积层包括步长为N的卷积层,所述第五特征图为H×W×C1的特征图;
将所述第五特征图输入至所述第一特征提取层中的第二卷积层,得到所述第二卷积层输出的第二特征图,所述第二卷积层包括步长为2的卷积层,所述第二特征图为的特征图。
示例性的,N为3,即第一多通道特征提取层用于使输入的特征图的通道数变为原来的9倍。
对第三特征图进行尺度变换,以使第四特征图为NH×NW×C1的特征图,即使得第四特征图的长为目标特征图的长的N倍,以及使得第四特征图的宽为目标特征图的宽的N倍。例如,N为3,经过3*3Adjust shape使得长宽变为输入的3倍。
此处,第一卷积层包括步长为N的卷积层,从而通过步长为N的卷积层,将第四特征图的长和宽映射回输入的长宽。示例性的,该卷积层为3*3卷积层。
此处,第二卷积层包括步长为2的卷积层,从而通过步长为2的卷积层,将第五特征图的长和宽变为原本的一半,即用于得到长和宽为目标特征图的一半的第二特征图,基于此,在尺度最小的目标特征图的基础上,合理地下采样得到尺度更小的第二特征图,从而可以更好地关注更大的目标,进而进一步提高病虫害检测模型对于大目标的识别准确性。
本发明实施例提供的苹果病虫害检测方法,通过上述方式,可以关注目标区域周边的背景信息,从而借助背景信息增加目标识别的准确率,即增强苹果病虫害检测的准确性;且通过上述方式,可以更好地下采样得到尺度为目标特征图一半的第二特征图,从而可以准确地关注更大的目标,进一步提高病虫害检测模型对于大目标的识别准确性,进而进一步提高病虫害检测的准确性。
基于上述任一实施例,该方法中,所述将所述目标特征图输入至所述第一特征提取层中的第一多通道特征提取层,得到所述第一多通道特征提取层输出的第三特征图,包括:
将所述目标特征图输入至所述第一多通道特征提取层中的分组卷积层,得到所述分组卷积层输出的第一子特征图、第二子特征图和第三子特征图;
将所述目标特征图输入至所述第一多通道特征提取层中的平均池化层,得到所述平均池化层输出的第一目标特征图;
将所述第一目标特征图输入至所述第一多通道特征提取层中的第三卷积层,得到所述第三卷积层输出的第四子特征图,并将所述第一目标特征图输入至所述第一多通道特征提取层中的第四卷积层,得到所述第四卷积层输出的第五子特征图,并将所述第一目标特征图输入至所述第一多通道特征提取层中的第五卷积层,得到所述第五卷积层输出的第六子特征图;
将所述第一子特征图、所述第二子特征图、所述第三子特征图、所述第四子特征图、所述第五子特征图和所述第六子特征图输入至所述第一多通道特征提取层中的第一特征融合层,得到所述第一特征融合层输出的第三特征图。
此处,分组卷积层用于将目标特征图按照通道平均分为3份,然后经过分组卷积(GroupConv)得到第一子特征图、第二子特征图和第三子特征图。示例性的,分组卷积层为3*3分组卷积层。
此处,平均池化层用于对目标特征图进行平均池化(AVGPooling)。示例性的,该平均池化层的步长为1。
示例性的,第三卷积层为1*1卷积层。第四卷积层为1*1卷积层。第五卷积层为1*1卷积层。
此处,第一特征融合层用于将第一子特征图、第二子特征图、第三子特征图、第四子特征图、第五子特征图和第六子特征图进行合并。
为便于更好地理解本发明实施例的第一特征提取层,如图3所示,该第一特征提取层包括分组卷积层、平均池化层、第三卷积层、第四卷积层、第五卷积层、第一卷积层和第二卷积层。
本发明实施例提供的苹果病虫害检测方法,通过上述方式可以更好地实现多通道特征提取,从而可以关注目标区域周边的背景信息,从而借助背景信息增加目标识别的准确率,即增强苹果病虫害检测的准确性。
基于上述任一实施例,该方法中,上述步骤110包括:
将所述目标图像输入至所述多尺度特征提取层中的第二特征提取层,得到所述第二特征提取层输出的第六特征图、第七特征图、第八特征图和第九特征图,所述第二特征提取层包括依次连接的多个特征提取层,所述第六特征图的尺度大于所述第七特征图的尺度,所述第七特征图的尺度大于所述第八特征图的尺度,所述第八特征图的尺度大于所述第九特征图的尺度;
将所述第六特征图输入至所述多尺度特征提取层中的第三特征提取层,得到所述第三特征提取层输出的第十特征图,并将所述第七特征图输入至所述多尺度特征提取层中的第四特征提取层,得到所述第四特征提取层输出的第十一特征图,并将所述第八特征图输入至所述多尺度特征提取层中的第五特征提取层,得到所述第五特征提取层输出的第十二特征图,并将所述第九特征图输入至所述多尺度特征提取层中的第六特征提取层,得到所述第六特征提取层输出的第十三特征图;
将所述第十三特征图进行上采样得到与所述第十二特征图相同尺度的第十四特征图,将所述第十四特征图与所述第十二特征图进行特征融合,得到第十五特征图;
将所述第十五特征图进行上采样得到与所述第十一特征图相同尺度的第十六特征图,将所述第十六特征图与所述第十一特征图进行特征融合,得到第十七特征图;
将所述第十七特征图进行上采样得到与所述第十特征图相同尺度的第十八特征图,将所述第十八特征图与所述第十特征图进行特征融合,得到第十九特征图;
将所述第十九特征图输入至所述多尺度特征提取层中的第七特征提取层,得到所述第七特征提取层输出的第二十特征图,并将所述第十七特征图输入至所述多尺度特征提取层中的第八特征提取层,得到所述第八特征提取层输出的第二十一特征图,并将所述第十五特征图输入至所述多尺度特征提取层中的第九特征提取层,得到所述第九特征提取层输出的第二十二特征图,并将所述第十三特征图输入至所述多尺度特征提取层中的第十特征提取层,得到所述第十特征提取层输出的第二十三特征图,所述多个第一特征图包括所述第二十特征图、所述第二十一特征图、所述第二十二特征图和所述第二十三特征图。
此处,第二特征提取层用于对目标图像进行自底向上的特征提取,以逐步提取不同尺度的特征图;即该第二特征提取层分成多个stage(阶段)进行特征提取,每个stage输出的特征图的尺度比上一个stage输出的特征图的尺度小。
需要说明的是,第二特征提取层包括依次连接的M个特征提取层,且M为大于4的正整数,从而在确保可以得到4个尺度的特征图(第六特征图、第七特征图、第八特征图和第九特征图)的前提下,可以对目标图像进行更深层次的特征提取,进而提高大目标的检测能力,最终提高苹果病虫害检测准确性。
在一实施例中,将第六特征图输入至第三特征提取层中的卷积层,得到该卷积层输出的第十特征图。
在另一实施例中,该第三特征提取层可以参考下述实施例,此处不再赘述。
在另一实施例中,将第六特征图输入至第三特征提取层中的空间注意力层,得到该空间注意力层输出的特征图;将空间注意力层输出的特征图输入至第三特征提取层中的卷积层,得到该卷积层输出的第十特征图。示例性的,该卷积层包括3*3的卷积层。进一步地,该卷积层包括依次连接的3*3卷积层和BN(Batch Normal,批量归一化)层。
示例性的,将第六特征图输入至空间注意力层中的全局最大池化层,得到全局最大池化层输出的子特征图,并将第六特征图输入至空间注意力层中的全局平均池化层,得到全局平均池化层输出的子特征图;将两个子特征图进行通道拼接,得到第一目标子特征图;将该目标子特征图输入至空间注意力层中的卷积层,得到该卷积层输出的第二目标子特征图,以使第二目标子特征图的通道数为1;将第二目标子特征图输入至空间注意力层中的激活层,得到该激活层输出的特征图,基于第六特征图与该激活层输出的特征图的乘积,生成第十特征图。优选地,其中卷积层为7*7卷积层,经过大量的创造性劳动和试验可知,7*7卷积层相比3*3卷积层效果要好。换言之,空间注意力层对于输入的特征图首先做一个基于channel(通道)的global max pooling(全局最大池化)和global average pooling(全局平均池化),得到两个H×W×1的特征图,然后将这两个特征图基于channel做concat操作(即通道拼接),然后经过一个7×7卷积操作,降维为1个channel,即H×W×1,再经过sigmoid(激活函数)生成spatial attention feature(空间注意力特征图),最后将该输入的特征图和该空间注意力特征图做乘法,得到最终生成的特征。
在另一实施例中,将第六特征图输入至第三特征提取层中的若干个级联的残差块,得到第十特征图。当然,该第三特征提取层还可以为其他结构,此处不再一一赘述。
此处,该第四特征提取层的结构与上述第三特征提取层的结构基本相同,此处不再一一赘述。
此处,该第五特征提取层的结构与上述第三特征提取层的结构基本相同,此处不再一一赘述。
此处,该第六特征提取层的结构与上述第三特征提取层的结构基本相同,此处不再一一赘述。
此处,该第七特征提取层的结构与上述第三特征提取层的结构基本相同,此处不再一一赘述。
此处,该第八特征提取层的结构与上述第三特征提取层的结构基本相同,此处不再一一赘述。
此处,该第九特征提取层的结构与上述第三特征提取层的结构基本相同,此处不再一一赘述。
此处,该第十特征提取层的结构与上述第三特征提取层的结构基本相同,此处不再一一赘述。
此处,第二十特征图的尺度大于第二十一特征图的尺度,第二十一特征图的尺度大于第二十二特征图的尺度,第二十二特征图的尺度大于第二十三特征图的尺度,从而确保输入至病虫害检测层的特征图为多尺度的特征图,进而提高病虫害检测准确性。
本发明实施例提供的苹果病虫害检测方法,通过上述方式,可以更好地对目标图像进行多尺度的特征提取,以基于多个不同尺度的特征图进行病虫害检测,进而进一步提高苹果病虫害检测的准确性。
基于上述任一实施例,该方法中,所述将所述目标图像输入至所述多尺度特征提取层中的第二特征提取层,得到所述第二特征提取层输出的第六特征图、第七特征图、第八特征图和第九特征图,包括:
将所述目标图像输入至所述第二特征提取层中的第十一特征提取层,得到所述第十一特征提取层输出的第二十四特征图;
将所述第二十四特征图输入至所述第二特征提取层中的第十二特征提取层,得到所述第十二特征提取层输出的第六特征图;
将所述第六特征图输入至所述第二特征提取层中的第十三特征提取层,得到所述第十三特征提取层输出的第七特征图;
将所述第七特征图输入至所述第二特征提取层中的第十四特征提取层,得到所述第十四特征提取层输出的第八特征图;
将所述第八特征图输入至所述第二特征提取层中的第十五特征提取层,得到所述第十五特征提取层输出的第九特征图。
其中,第六特征图的尺度大于第七特征图的尺度,第七特征图的尺度大于第八特征图的尺度,第八特征图的尺度大于第九特征图的尺度。
应理解,该第二特征提取层包括依次连接的5个特征提取层,即进行5次特征提取。当然,该第二特征提取层可以包括更多或更少的特征提取层,然而,经过大量的创造性劳动可知,该第二特征提取层包括依次连接的5个特征提取层效果较好,即可以确保病虫害检测准确性的基础上又能减少计算量。
在一实施例中,第七特征图的长为第六特征图的长的一半,且第七特征图的宽为第六特征图的宽的一半;第八特征图的长为第七特征图的长的一半,且第八特征图的宽为第七特征图的宽的一半;第九特征图的长为第八特征图的长的一半,且第九特征图的宽为第八特征图的宽的一半;相应地,第二十一特征图的长为第二十特征图的长的一半,且第二十一特征图的宽为第二十特征图的宽的一半;第二十二特征图的长为第二十一特征图的长的一半,且第二十二特征图的宽为第二十一特征图的宽的一半;第二十三特征图的长为第二十二特征图的长的一半,且第二十三特征图的宽为第二十二特征图的宽的一半。基于此,合理地对目标图像的特征图逐步进行降维,以供输入至病虫害检测层的特征图更为准确地表征目标图像的图像信息,进而提高病虫害检测的准确性。
在一实施例中,将目标图像输入至第十一特征提取层中的卷积层,得到该卷积层输出的第二十四特征图。示例性的,该卷积层为3*3的卷积层。进一步地,将目标图像输入至第十一特征提取层中的卷积层,得到该卷积层输出的特征图,并将该卷积层输出的特征图输入至第十一特征提取层中的最大池化层,得到该最大池化层输出的第二十四特征图。
在另一实施例中,将目标图像输入至第十一特征提取层中的卷积层,得到该卷积层输出的特征图,将该卷积层输出的特征图输入至第十一特征提取层中的空间注意力层,得到该空间注意力层输出的第二十四特征图。示例性的,该卷积层包括3*3的卷积层。进一步地,将目标图像输入至第十一特征提取层中的卷积层,得到该卷积层输出的特征图,将该卷积层输出的特征图输入至第十一特征提取层中的空间注意力层,得到该空间注意力层输出的特征图,将该空间注意力层输出的特征图输入至第十一特征提取层中的最大池化层,得到该最大池化层输出的第二十四特征图。
示例性的,将卷积层输出的特征图输入至空间注意力层中的全局最大池化层,得到全局最大池化层输出的子特征图,并将卷积层输出的特征图输入至空间注意力层中的全局平均池化层,得到全局平均池化层输出的子特征图;将两个子特征图进行通道拼接,得到第一目标子特征图;将第一目标子特征图输入至空间注意力层中的卷积层,得到该卷积层输出的第二目标子特征图,以使第二目标子特征图的通道数为1;将第二目标子特征图输入至空间注意力层中的激活层,得到该激活层输出的特征图,基于卷积层输出的特征图与该激活层输出的特征图的乘积,生成第二十四特征图。优选地,其中卷积层为7*7卷积层,经过大量的创造性劳动和试验可知,7*7卷积层相比3*3卷积层效果要好。
当然,该第十一特征提取层还可以为其他结构,此处不再一一赘述。
在一实施例中,将第二十四特征图输入至第十二特征提取层中的卷积层,得到该卷积层输出的第六特征图。示例性的,该卷积层为3*3的卷积层。
在另一实施例中,将第二十四特征图输入至第十二特征提取层中的空间注意力层,得到该空间注意力层输出的特征图;将空间注意力层输出的特征图输入至第十二特征提取层中的卷积层,得到该卷积层输出的第六特征图。示例性的,该卷积层包括3*3的卷积层。进一步地,该卷积层包括依次连接的3*3卷积层和BN(Batch Normal,批量归一化)层。
示例性的,将第二十四特征图输入至空间注意力层中的全局最大池化层,得到全局最大池化层输出的子特征图,并将第二十四特征图输入至空间注意力层中的全局平均池化层,得到全局平均池化层输出的子特征图;将两个子特征图进行通道拼接,得到第一目标子特征图;将第一目标子特征图输入至空间注意力层中的卷积层,得到该卷积层输出的第二目标子特征图,以使第二目标子特征图的通道数为1;将第二目标子特征图输入至空间注意力层中的激活层,得到该激活层输出的特征图,基于第二十四特征图与该激活层输出的特征图的乘积,生成特征图,以将该基于乘积确定的特征图输入至第十二特征提取层中的卷积层。优选地,其中卷积层为7*7卷积层,经过大量的创造性劳动和试验可知,7*7卷积层相比3*3卷积层效果要好。
在另一实施例中,将第二十四特征图输入至第十二特征提取层中的若干个级联的残差块,得到第六特征图。
当然,该第十二特征提取层还可以为其他结构,此处不再一一赘述。
此外,第十三特征提取层、第十四特征提取层和第十五特征提取层与第十二特征提取层的结构基本相同,此处不再一一赘述。
为便于更好地理解本发明实施例的多尺度特征提取层,如图4所示,该多尺度特征提取层包括第十一特征提取层、第十二特征提取层、第十三特征提取层、第十四特征提取层、第十五特征提取层、第三特征提取层、第四特征提取层、第五特征提取层、第六特征提取层、第七特征提取层、第八特征提取层、第九特征提取层和第十特征提取层。
本发明实施例提供的苹果病虫害检测方法,通过上述方式,可以更好地对目标图像进行多尺度的特征提取,以基于多个不同尺度的特征图进行病虫害检测,进而进一步提高苹果病虫害检测的准确性。
基于上述任一实施例,该方法中,所述将所述第二十四特征图输入至所述第二特征提取层中的第十二特征提取层,得到所述第十二特征提取层输出的第六特征图,包括:
将所述第二十四特征图输入至所述第十二特征提取层中的第十六特征提取层,得到所述第十六特征提取层输出的第七子特征图,并将所述第二十四特征图输入至所述第十二特征提取层中的第十七特征提取层,得到所述第十七特征提取层输出的第八子特征图,并将所述第二十四特征图输入至所述第十二特征提取层中的第十八特征提取层,得到所述第十八特征提取层输出的第九子特征图;
将所述第七子特征图、所述第八子特征图和所述第九子特征图输入至所述第十二特征提取层中的第二特征融合层,得到所述第二特征融合层输出的第六特征图。
在一实施例中,将第二十四特征图输入至第十六特征提取层中的第一空间注意力层,得到该第一空间注意力层输出的第七子特征图。
在另一实施例中,该第二十四特征提取层可以为空白层,即第七子特征图为第二十四特征图。
当然,该第十六特征提取层还可以为其他结构,此处不再一一赘述。
在一实施例中,将第二十四特征图输入至第十七特征提取层中的第二空间注意力层,得到该第二空间注意力层输出的第四目标子特征图;将第四目标子特征图输入至第十七特征提取层中的第一目标卷积层,得到该第一目标卷积层输出的第八子特征图。示例性的,第一目标卷积层包括依次连接的卷积层和BN层。
在另一实施例中,将第二十四特征图输入至第十七特征提取层中的第一目标卷积层,得到该第一目标卷积层输出的第八子特征图。示例性的,第一目标卷积层包括依次连接的卷积层和BN层。
当然,该第十七特征提取层还可以为其他结构,此处不再一一赘述。
在一实施例中,将第二十四特征图输入至第十八特征提取层中的第二目标卷积层,得到第二目标卷积层输出的第五目标子特征图,将第五目标子特征图输入至第十八特征提取层中的第三目标卷积层,得到第三目标卷积层输出的第六目标子特征图;将第六目标子特征图输入至第十八特征提取层中的第三空间注意力层,得到第三空间注意力层输出的第七目标子特征图;将第七目标子特征图输入至第十八特征提取层中的第四目标卷积层,得到第四目标卷积层输出的第九子特征图。示例性的,第二目标卷积层包括依次连接的卷积层、BN层和激活层;第三目标卷积层包括依次连接的卷积层、BN层和激活层;第四目标卷积层包括依次连接的卷积层和BN层。
在另一实施例中,将第二十四特征图输入至第十八特征提取层中的第二目标卷积层,得到第二目标卷积层输出的第五目标子特征图,将第五目标子特征图输入至第十八特征提取层中的第三目标卷积层,得到第三目标卷积层输出的第九子特征图。示例性的,第二目标卷积层包括依次连接的卷积层、BN层和激活层;第三目标卷积层包括依次连接的卷积层、BN层和激活层。
当然,该第十八特征提取层还可以为其他结构,此处不再一一赘述。
在一实施例中,基于第二特征融合层,对第七子特征图、第八子特征图和第九子特征图进行特征融合,得到第六特征图。
在另一实施例中,将第七子特征图、第八子特征图和第九子特征图输入至第二特征融合层中的特征融合层,得到该特征融合层输出的融合特征,将该融合特征输入至第二特征融合层中的激活层,得到该激活层输出的第六特征图。示例性的,该激活层为Relu激活层。
需要说明的是,本发明实施例的第十二特征提取层可以级联,从而进一步增加深度,以提高第六特征图的表征能力。
此外,第十三特征提取层、第十四特征提取层和第十五特征提取层,与第十二特征提取层的结构基本相同,此处不再一一赘述。
本发明实施例提供的苹果病虫害检测方法,通过上述方式,对第二十四特征图进行三个不同分支的特征提取,且不同分支的特征提取深度不同,以及对三个分支的子特征图进行特征融合,从而在提高第六特征图的表征能力的基础上,还能避免训练模型所带来的问题,最终提高病虫害检测的准确性。
基于上述任一实施例,该方法中,所述将所述第二十四特征图输入至所述第十二特征提取层中的第十六特征提取层,得到所述第十六特征提取层输出的第七子特征图,包括:
将第二十四特征图输入至第十六特征提取层中的第一空间注意力层,得到该第一空间注意力层输出的第七子特征图。
该方法中,所述将所述第二十四特征图输入至所述第十二特征提取层中的第十七特征提取层,得到所述第十七特征提取层输出的第八子特征图,包括:
将第二十四特征图输入至第十七特征提取层中的第二空间注意力层,得到该第二空间注意力层输出的第四目标子特征图;将第四目标子特征图输入至第十七特征提取层中的第一目标卷积层,得到该第一目标卷积层输出的第八子特征图。
示例性的,第一目标卷积层中的卷积层可以为3*3卷积层。
该方法中,所述将所述第二十四特征图输入至所述第十二特征提取层中的第十八特征提取层,得到所述第十八特征提取层输出的第九子特征图,包括:
将第二十四特征图输入至第十八特征提取层中的第二目标卷积层,得到第二目标卷积层输出的第五目标子特征图,将第五目标子特征图输入至第十八特征提取层中的第三目标卷积层,得到第三目标卷积层输出的第六目标子特征图;将第六目标子特征图输入至第十八特征提取层中的第三空间注意力层,得到第三空间注意力层输出的第七目标子特征图;将第七目标子特征图输入至第十八特征提取层中的第四目标卷积层,得到第四目标卷积层输出的第九子特征图。
其中,第二目标卷积层包括依次连接的卷积层、BN层和激活层。第三目标卷积层包括依次连接的卷积层、BN层和激活层。第四目标卷积层包括依次连接的卷积层和BN层。
示例性的,第二目标卷积层中的卷积层可以为3*3卷积层,第二目标卷积层中的激活层可以为Relu激活层。第三目标卷积层中的卷积层可以为3*3卷积层,第三目标卷积层中的激活层可以为Relu激活层。第四目标卷积层中的卷积层可以为3*3卷积层。
此处,第三空间注意力层和第二空间注意力层的结构可以参考第一空间注意力层的结构,此处不再一一赘述。
为便于理解本发明实施例的第十二特征提取层,如图5所示,该第十二特征提取层包括第一空间注意力层、第二空间注意力层、第一目标卷积层、第二目标卷积层、第三目标卷积层、第三空间注意力层、第四目标卷积层、特征融合层和激活层。
本发明实施例提供的苹果病虫害检测方法,通过上述方式构建第十二特征提取层,能够充分提取目标图像不同尺度的特征,提升病虫害区域特征的表达,即提高特征提取得到的特征图的表达能力,进而充分利用不同尺度的特征,且利用表达能力较好的特征图进行病虫害检测,最终提高病虫害检测的准确性。
基于上述任一实施例,该方法中,将第二十四特征图输入至第十六特征提取层中的第一空间注意力层,得到该第一空间注意力层输出的第七子特征图,包括:
将第二十四特征图输入至第一空间注意力层中的全局最大池化层,得到全局最大池化层输出的第八目标子特征图,并将第二十四特征图输入至第一空间注意力层中的全局平均池化层,得到全局平均池化层输出的第九目标子特征图;将第八目标子特征图和第九目标子特征图进行通道拼接,得到第十目标子特征图;将第十目标子特征图输入至第一空间注意力层中的第五目标卷积层,得到第五目标卷积层输出的第十一目标子特征图,以使第十一目标子特征图的通道数为1;将第十一目标子特征图输入至第一空间注意力层中的第一激活层,得到第一激活层输出的第十二目标子特征图;基于第二十四特征图与第十二目标子特征图的乘积,生成第七子特征图。
示例性的,第一激活层可以为sigmoid激活层。优选地,其中第五目标卷积层为7*7卷积层,经过大量的创造性劳动和试验可知,7*7卷积层相比3*3卷积层效果要好。
示例性的,第一空间注意力层对于输入的第二十四特征图首先做一个基于channel(通道)的global max pooling(全局最大池化)和global average pooling(全局平均池化),得到两个H×W×1的第八目标子特征图和第九目标子特征图,然后将这两个特征图基于channel做concat操作(即通道拼接),以生成H×W×2的第十目标子特征图,然后经过一个7×7卷积操作,降维为1个channel,即H×W×1,再经过sigmoid(激活函数)生成空间注意力特征图(第十二目标子特征图),最后将该输入的第二十四特征图和该空间注意力特征图做乘法,得到最终生成的第七子特征图。为便于理解,该第一空间注意力层可以通过如下公式表示:
Ms(F)=σ(f7×7([AvgPool(F):MaxPool(F)]));
式中,Ms(F)表示第十二目标子特征图,F表示第二十四特征图,σ表示激活函数,f7 ×7表示进行7*7卷积,AvgPool(F)、表示对第二十四特征图进行平均池化,MaxPool(F)、表示对第二十四特征图进行最大池化,[:]表示通道拼接。
本发明实施例提供的苹果病虫害检测方法,通过上述第一空间注意力层,能对输入图像的空间信息自动定位,从而能够减少背景对于任务的干扰,从而提高病虫害检测模型的识别精度及鲁棒性,即提高病虫害检测准确性;且通过上述方式构建的第一空间注意力层,可以更好地进行空间注意力机制的特征提取,从而进一步提高苹果病虫害检测的准确性。
基于上述任一实施例,该方法中,所述将所述第六特征图输入至所述多尺度特征提取层中的第三特征提取层,得到所述第三特征提取层输出的第十特征图,包括:
将所述第六特征图输入至所述第三特征提取层中的第二多通道特征提取层,得到所述第二多通道特征提取层输出的第二十五特征图;
对所述第二十五特征图进行尺度变换,得到第二十六特征图;
将所述第二十六特征图输入至所述第三特征提取层中的第六卷积层,得到所述第六卷积层输出的第十特征图。
其中,第六特征图为H×W×C1的特征图,第二十五特征图为H×W×C2的特征图,H表示特征图的长,W表示特征图的宽,C1和C2均表示特征图的通道数,C2=N2*C1,N为正整数。第二十六特征图为NH×NW×C1的特征图。第六卷积层包括步长为N的卷积层,第十特征图为H×W×C1的特征图。
示例性的,N为3,即第二多通道特征提取层用于使输入的特征图的通道数变为原来的9倍。
对第二十五特征图进行尺度变换,以使第二十六特征图为NH×NW×C1的特征图,即使得第二十六特征图的长为第六特征图的长的N倍,以及使得第二十六特征图的宽为第六特征图的宽的N倍。例如,N为3,经过3*3Adjust shape使得长宽变为输入的3倍。
此处,第六卷积层包括步长为N的卷积层,从而通过步长为N的卷积层,将第二十六特征图的长和宽映射回输入的长宽。示例性的,该卷积层为3*3卷积层。
此外,第二多通道特征提取层的结构可以参考上述第一多通道特征提取层的结构,此处不再一一赘述。
为便于更好地理解本发明实施例的第三特征提取层,如图6所示,该第三特征提取层包括分组卷积层、平均池化层、第三卷积层、第四卷积层、第五卷积层、第一卷积层和第二卷积层。
该方法中,所述将所述第十九特征图输入至所述多尺度特征提取层中的第七特征提取层,得到所述第七特征提取层输出的第二十特征图,包括:
将所述第十九特征图输入至所述第七特征提取层中的第三多通道特征提取层,得到所述第三多通道特征提取层输出的第二十七特征图;
对所述第二十七特征图进行尺度变换,得到第二十八特征图;
将所述第二十八特征图输入至所述第七特征提取层中的第七卷积层,得到所述第七卷积层输出的第二十特征图。
此处,第七特征提取层的结构可以参考上述第三特征提取层的结构,此处不再一一赘述。
本发明实施例提供的苹果病虫害检测方法,通过上述方式,可以关注目标区域周边的背景信息,从而借助背景信息增加目标识别的准确率,即增强苹果病虫害检测的准确性,且上述方式可在相较于传统卷积不增加计算开销的情况下关注目标区域周边的背景信息,借助背景信息增加目标识别的准确率。
基于上述任一实施例,该方法中,该病虫害检测层包括三个分支层和一个检测层,该三个分支层分别与检测层连接,该检测层用于输出病虫害检测结果,第一个分支层包括依次连接的第一神经网络层、第二神经网络层和第三神经网络层,该第一神经网络层和第三神经网络层的结构可以参考上述第三特征提取层的结构,该第二神经网络层包括依次连接的卷积层、GN(CenterNESS,中心度)层和激活层(如Relu激活层);第二个分支层包括依次连接的第四神经网络层、第五神经网络层和第六神经网络层,该第四神经网络层和第六神经网络层的结构可以参考上述第三特征提取层的结构,该第五神经网络层包括依次连接的卷积层、GN层和激活层(如Relu激活层);第三个分支层包括依次连接的第七神经网络层、第八神经网络层和第九神经网络层,该第七神经网络层和第九神经网络层的结构可以参考上述第三特征提取层的结构,该第八神经网络层包括依次连接的卷积层、GN层和激活层(如Relu激活层)。其中,GN层用于计算中心度。通过上述病虫害检测层进行病虫害检测,可以提高苹果病虫害检测的准确性。
下面对本发明提供的苹果病虫害检测装置进行描述,下文描述的苹果病虫害检测装置与上文描述的苹果病虫害检测方法可相互对应参照。
图7为本发明提供的苹果病虫害检测装置的结构示意图,如图7所示,该苹果病虫害检测装置,包括:
第一特征提取模块710,用于将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到所述多尺度特征提取层输出的多个第一特征图,所述多个第一特征图的尺度不同;
第二特征提取模块720,用于将所述多个第一特征图中尺度最小的目标特征图输入至所述病虫害检测模型中的第一特征提取层,得到所述第一特征提取层输出的第二特征图,所述第二特征图的尺度小于所述目标特征图的尺度;
病虫害检测模块730,用于将所述多个第一特征图和所述第二特征图输入至所述病虫害检测模型中的病虫害检测层,得到所述病虫害检测层输出的病虫害检测结果;
其中,所述病虫害检测模型是基于样本目标图像和所述样本目标图像对应的病虫害检测结果标签训练得到的。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行苹果病虫害检测方法,该方法包括:将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到所述多尺度特征提取层输出的多个第一特征图,所述多个第一特征图的尺度不同;将所述多个第一特征图中尺度最小的目标特征图输入至所述病虫害检测模型中的第一特征提取层,得到所述第一特征提取层输出的第二特征图,所述第二特征图的尺度小于所述目标特征图的尺度;将所述多个第一特征图和所述第二特征图输入至所述病虫害检测模型中的病虫害检测层,得到所述病虫害检测层输出的病虫害检测结果;其中,所述病虫害检测模型是基于样本目标图像和所述样本目标图像对应的病虫害检测结果标签训练得到的。
此外,上述的存储器830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。
又一方面,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苹果病虫害检测方法,该方法包括:将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到所述多尺度特征提取层输出的多个第一特征图,所述多个第一特征图的尺度不同;将所述多个第一特征图中尺度最小的目标特征图输入至所述病虫害检测模型中的第一特征提取层,得到所述第一特征提取层输出的第二特征图,所述第二特征图的尺度小于所述目标特征图的尺度;将所述多个第一特征图和所述第二特征图输入至所述病虫害检测模型中的病虫害检测层,得到所述病虫害检测层输出的病虫害检测结果;其中,所述病虫害检测模型是基于样本目标图像和所述样本目标图像对应的病虫害检测结果标签训练得到的。
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 (10)
1.一种苹果病虫害检测方法,其特征在于,包括:
将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到所述多尺度特征提取层输出的多个第一特征图,所述多个第一特征图的尺度不同;
将所述多个第一特征图中尺度最小的目标特征图输入至所述病虫害检测模型中的第一特征提取层,得到所述第一特征提取层输出的第二特征图,所述第二特征图的尺度小于所述目标特征图的尺度;
将所述多个第一特征图和所述第二特征图输入至所述病虫害检测模型中的病虫害检测层,得到所述病虫害检测层输出的病虫害检测结果;
其中,所述病虫害检测模型是基于样本目标图像和所述样本目标图像对应的病虫害检测结果标签训练得到的。
2.根据权利要求1所述的苹果病虫害检测方法,其特征在于,所述将所述多个第一特征图中尺度最小的目标特征图输入至所述病虫害检测模型中的第一特征提取层,得到所述第一特征提取层输出的第二特征图,包括:
将所述目标特征图输入至所述第一特征提取层中的第一多通道特征提取层,得到所述第一多通道特征提取层输出的第三特征图,所述目标特征图为H×W×C1的特征图,所述第三特征图为H×W×C2的特征图,H表示特征图的长,W表示特征图的宽,C1和C2均表示特征图的通道数,C2=N2*C1,N为正整数;
对所述第三特征图进行尺度变换,得到第四特征图,所述第四特征图为NH×NW×C1的特征图;
将所述第四特征图输入至所述第一特征提取层中的第一卷积层,得到所述第一卷积层输出的第五特征图,所述第一卷积层包括步长为N的卷积层,所述第五特征图为H×W×C1的特征图;
将所述第五特征图输入至所述第一特征提取层中的第二卷积层,得到所述第二卷积层输出的第二特征图,所述第二卷积层包括步长为2的卷积层,所述第二特征图为的特征图。
3.根据权利要求2所述的苹果病虫害检测方法,其特征在于,所述将所述目标特征图输入至所述第一特征提取层中的第一多通道特征提取层,得到所述第一多通道特征提取层输出的第三特征图,包括:
将所述目标特征图输入至所述第一多通道特征提取层中的分组卷积层,得到所述分组卷积层输出的第一子特征图、第二子特征图和第三子特征图;
将所述目标特征图输入至所述第一多通道特征提取层中的平均池化层,得到所述平均池化层输出的第一目标特征图;
将所述第一目标特征图输入至所述第一多通道特征提取层中的第三卷积层,得到所述第三卷积层输出的第四子特征图,并将所述第一目标特征图输入至所述第一多通道特征提取层中的第四卷积层,得到所述第四卷积层输出的第五子特征图,并将所述第一目标特征图输入至所述第一多通道特征提取层中的第五卷积层,得到所述第五卷积层输出的第六子特征图;
将所述第一子特征图、所述第二子特征图、所述第三子特征图、所述第四子特征图、所述第五子特征图和所述第六子特征图输入至所述第一多通道特征提取层中的第一特征融合层,得到所述第一特征融合层输出的第三特征图。
4.根据权利要求1所述的苹果病虫害检测方法,其特征在于,所述将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到所述多尺度特征提取层输出的多个第一特征图,包括:
将所述目标图像输入至所述多尺度特征提取层中的第二特征提取层,得到所述第二特征提取层输出的第六特征图、第七特征图、第八特征图和第九特征图,所述第二特征提取层包括依次连接的多个特征提取层,所述第六特征图的尺度大于所述第七特征图的尺度,所述第七特征图的尺度大于所述第八特征图的尺度,所述第八特征图的尺度大于所述第九特征图的尺度;
将所述第六特征图输入至所述多尺度特征提取层中的第三特征提取层,得到所述第三特征提取层输出的第十特征图,并将所述第七特征图输入至所述多尺度特征提取层中的第四特征提取层,得到所述第四特征提取层输出的第十一特征图,并将所述第八特征图输入至所述多尺度特征提取层中的第五特征提取层,得到所述第五特征提取层输出的第十二特征图,并将所述第九特征图输入至所述多尺度特征提取层中的第六特征提取层,得到所述第六特征提取层输出的第十三特征图;
将所述第十三特征图进行上采样得到与所述第十二特征图相同尺度的第十四特征图,将所述第十四特征图与所述第十二特征图进行特征融合,得到第十五特征图;
将所述第十五特征图进行上采样得到与所述第十一特征图相同尺度的第十六特征图,将所述第十六特征图与所述第十一特征图进行特征融合,得到第十七特征图;
将所述第十七特征图进行上采样得到与所述第十特征图相同尺度的第十八特征图,将所述第十八特征图与所述第十特征图进行特征融合,得到第十九特征图;
将所述第十九特征图输入至所述多尺度特征提取层中的第七特征提取层,得到所述第七特征提取层输出的第二十特征图,并将所述第十七特征图输入至所述多尺度特征提取层中的第八特征提取层,得到所述第八特征提取层输出的第二十一特征图,并将所述第十五特征图输入至所述多尺度特征提取层中的第九特征提取层,得到所述第九特征提取层输出的第二十二特征图,并将所述第十三特征图输入至所述多尺度特征提取层中的第十特征提取层,得到所述第十特征提取层输出的第二十三特征图,所述多个第一特征图包括所述第二十特征图、所述第二十一特征图、所述第二十二特征图和所述第二十三特征图。
5.根据权利要求4所述的苹果病虫害检测方法,其特征在于,所述将所述目标图像输入至所述多尺度特征提取层中的第二特征提取层,得到所述第二特征提取层输出的第六特征图、第七特征图、第八特征图和第九特征图,包括:
将所述目标图像输入至所述第二特征提取层中的第十一特征提取层,得到所述第十一特征提取层输出的第二十四特征图;
将所述第二十四特征图输入至所述第二特征提取层中的第十二特征提取层,得到所述第十二特征提取层输出的第六特征图;
将所述第六特征图输入至所述第二特征提取层中的第十三特征提取层,得到所述第十三特征提取层输出的第七特征图;
将所述第七特征图输入至所述第二特征提取层中的第十四特征提取层,得到所述第十四特征提取层输出的第八特征图;
将所述第八特征图输入至所述第二特征提取层中的第十五特征提取层,得到所述第十五特征提取层输出的第九特征图。
6.根据权利要求5所述的苹果病虫害检测方法,其特征在于,所述将所述第二十四特征图输入至所述第二特征提取层中的第十二特征提取层,得到所述第十二特征提取层输出的第六特征图,包括:
将所述第二十四特征图输入至所述第十二特征提取层中的第十六特征提取层,得到所述第十六特征提取层输出的第七子特征图,并将所述第二十四特征图输入至所述第十二特征提取层中的第十七特征提取层,得到所述第十七特征提取层输出的第八子特征图,并将所述第二十四特征图输入至所述第十二特征提取层中的第十八特征提取层,得到所述第十八特征提取层输出的第九子特征图;
将所述第七子特征图、所述第八子特征图和所述第九子特征图输入至所述第十二特征提取层中的第二特征融合层,得到所述第二特征融合层输出的第六特征图。
7.根据权利要求4所述的苹果病虫害检测方法,其特征在于,所述将所述第六特征图输入至所述多尺度特征提取层中的第三特征提取层,得到所述第三特征提取层输出的第十特征图,包括:
将所述第六特征图输入至所述第三特征提取层中的第二多通道特征提取层,得到所述第二多通道特征提取层输出的第二十五特征图;
对所述第二十五特征图进行尺度变换,得到第二十六特征图;
将所述第二十六特征图输入至所述第三特征提取层中的第六卷积层,得到所述第六卷积层输出的第十特征图;
所述将所述第十九特征图输入至所述多尺度特征提取层中的第七特征提取层,得到所述第七特征提取层输出的第二十特征图,包括:
将所述第十九特征图输入至所述第七特征提取层中的第三多通道特征提取层,得到所述第三多通道特征提取层输出的第二十七特征图;
对所述第二十七特征图进行尺度变换,得到第二十八特征图;
将所述第二十八特征图输入至所述第七特征提取层中的第七卷积层,得到所述第七卷积层输出的第二十特征图。
8.一种苹果病虫害检测装置,其特征在于,包括:
第一特征提取模块,用于将待检测的目标图像输入至病虫害检测模型中的多尺度特征提取层,得到所述多尺度特征提取层输出的多个第一特征图,所述多个第一特征图的尺度不同;
第二特征提取模块,用于将所述多个第一特征图中尺度最小的目标特征图输入至所述病虫害检测模型中的第一特征提取层,得到所述第一特征提取层输出的第二特征图,所述第二特征图的尺度小于所述目标特征图的尺度;
病虫害检测模块,用于将所述多个第一特征图和所述第二特征图输入至所述病虫害检测模型中的病虫害检测层,得到所述病虫害检测层输出的病虫害检测结果;
其中,所述病虫害检测模型是基于样本目标图像和所述样本目标图像对应的病虫害检测结果标签训练得到的。
9.一种电子设备,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7任一项所述苹果病虫害检测方法。
10.一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7任一项所述苹果病虫害检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311568137.2A CN117523550B (zh) | 2023-11-22 | 2023-11-22 | 苹果病虫害检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311568137.2A CN117523550B (zh) | 2023-11-22 | 2023-11-22 | 苹果病虫害检测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117523550A true CN117523550A (zh) | 2024-02-06 |
CN117523550B CN117523550B (zh) | 2024-06-25 |
Family
ID=89741670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311568137.2A Active CN117523550B (zh) | 2023-11-22 | 2023-11-22 | 苹果病虫害检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523550B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200034648A1 (en) * | 2018-07-27 | 2020-01-30 | Boe Technology Group Co., Ltd. | Method and apparatus for segmenting sky area, and convolutional neural network |
WO2020047738A1 (zh) * | 2018-09-04 | 2020-03-12 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 多尺度特征融合网络结合定位模型的害虫自动计数方法 |
CN112633077A (zh) * | 2020-12-02 | 2021-04-09 | 特斯联科技集团有限公司 | 一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端 |
US20210166092A1 (en) * | 2019-12-03 | 2021-06-03 | Idemia Identity & Security France | Method of Detecting at Least One Element of Interest Visible in an Input Image by Means of a Convolutional Neural Network |
CN113420729A (zh) * | 2021-08-23 | 2021-09-21 | 城云科技(中国)有限公司 | 多尺度目标检测方法、模型、电子设备及其应用 |
WO2021203505A1 (zh) * | 2020-04-09 | 2021-10-14 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
CN113657294A (zh) * | 2021-08-19 | 2021-11-16 | 中化现代农业有限公司 | 一种基于计算机视觉的作物病虫害检测方法及系统 |
CN114612835A (zh) * | 2022-03-15 | 2022-06-10 | 中国科学院计算技术研究所 | 一种基于YOLOv5网络的无人机目标检测模型 |
CN114863392A (zh) * | 2022-04-25 | 2022-08-05 | 北京小米移动软件有限公司 | 车道线检测方法、装置、车辆及存储介质 |
CN115393868A (zh) * | 2022-08-18 | 2022-11-25 | 中化现代农业有限公司 | 文本检测方法、装置、电子设备和存储介质 |
CN116740516A (zh) * | 2023-05-19 | 2023-09-12 | 山东大学 | 基于多尺度融合特征提取的目标检测方法及系统 |
CN117036931A (zh) * | 2023-07-04 | 2023-11-10 | 中国铁建昆仑投资集团有限公司 | 一种基于卷积神经网络的生态景观工程小目标害虫检测方法 |
-
2023
- 2023-11-22 CN CN202311568137.2A patent/CN117523550B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200034648A1 (en) * | 2018-07-27 | 2020-01-30 | Boe Technology Group Co., Ltd. | Method and apparatus for segmenting sky area, and convolutional neural network |
WO2020047738A1 (zh) * | 2018-09-04 | 2020-03-12 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 多尺度特征融合网络结合定位模型的害虫自动计数方法 |
US20210166092A1 (en) * | 2019-12-03 | 2021-06-03 | Idemia Identity & Security France | Method of Detecting at Least One Element of Interest Visible in an Input Image by Means of a Convolutional Neural Network |
WO2021203505A1 (zh) * | 2020-04-09 | 2021-10-14 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
CN112633077A (zh) * | 2020-12-02 | 2021-04-09 | 特斯联科技集团有限公司 | 一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端 |
CN113657294A (zh) * | 2021-08-19 | 2021-11-16 | 中化现代农业有限公司 | 一种基于计算机视觉的作物病虫害检测方法及系统 |
CN113420729A (zh) * | 2021-08-23 | 2021-09-21 | 城云科技(中国)有限公司 | 多尺度目标检测方法、模型、电子设备及其应用 |
CN114612835A (zh) * | 2022-03-15 | 2022-06-10 | 中国科学院计算技术研究所 | 一种基于YOLOv5网络的无人机目标检测模型 |
CN114863392A (zh) * | 2022-04-25 | 2022-08-05 | 北京小米移动软件有限公司 | 车道线检测方法、装置、车辆及存储介质 |
CN115393868A (zh) * | 2022-08-18 | 2022-11-25 | 中化现代农业有限公司 | 文本检测方法、装置、电子设备和存储介质 |
CN116740516A (zh) * | 2023-05-19 | 2023-09-12 | 山东大学 | 基于多尺度融合特征提取的目标检测方法及系统 |
CN117036931A (zh) * | 2023-07-04 | 2023-11-10 | 中国铁建昆仑投资集团有限公司 | 一种基于卷积神经网络的生态景观工程小目标害虫检测方法 |
Non-Patent Citations (3)
Title |
---|
JI-YUAN DING ET AL: "DM-YOLOv8: Cucumber Disease and Insect Detection using Detailed Multi-Intensity Features", 《IEEE》, 22 February 2024 (2024-02-22), pages 1 - 6 * |
张善文 等: "多尺度融合卷积神经网络的黄瓜病害叶片图像分割方法", 《农业工程学报》, vol. 36, no. 16, 31 August 2020 (2020-08-31), pages 1 - 9 * |
柴帅 等: "基于迁移学习的番茄病虫害检测", 《计算机工程与设计》, vol. 40, no. 6, 30 June 2019 (2019-06-30), pages 1 - 5 * |
Also Published As
Publication number | Publication date |
---|---|
CN117523550B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046880B (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
Palacios et al. | Automated grapevine flower detection and quantification method based on computer vision and deep learning from on-the-go imaging using a mobile sensing platform under field conditions | |
CN114766041A (zh) | 用于确定作物损害的系统和方法 | |
CN112183212B (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
CN109753996B (zh) | 基于三维轻量化深度网络的高光谱图像分类方法 | |
Wang et al. | Side-view apple flower mapping using edge-based fully convolutional networks for variable rate chemical thinning | |
CN113252584B (zh) | 基于5g传输的作物生长检测方法及系统 | |
CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
CN115512238A (zh) | 病害区域的确定方法、装置、存储介质及电子装置 | |
CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
CN114596274A (zh) | 基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法 | |
Peng et al. | Litchi detection in the field using an improved YOLOv3 model | |
CN117523550B (zh) | 苹果病虫害检测方法、装置、电子设备和存储介质 | |
CN116721344A (zh) | 基于航拍设备的植被检测方法、装置和设备 | |
Qayyum et al. | Optimal feature extraction technique for crop classification using aerial imagery | |
CN107133634B (zh) | 一种植株水分亏缺程度获取方法及装置 | |
CN113673340B (zh) | 一种害虫种类图像识别方法及系统 | |
CN113723833B (zh) | 造林实绩质量评价方法、系统、终端设备及存储介质 | |
Chiu et al. | Semantic segmentation of lotus leaves in UAV aerial images via U-Net and deepLab-based networks | |
Chang et al. | Improved deep learning-based approach for real-time plant species recognition on the farm | |
CN114972264A (zh) | 一种基于MS-PLNet模型绿豆叶斑病识别方法及装置 | |
Rony et al. | BottleNet18: Deep Learning-Based Bottle Gourd Leaf Disease Classification | |
CN114462485A (zh) | 一种红枣枣疯病初期防治方法 | |
CN113989253A (zh) | 农田目标对象信息的获取方法及装置 |
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 | ||
GR01 | Patent grant |