一种自然果园场景下的柑橘木虱高精度检测方法及装置制造方法及图纸

本发明专利技术公开了一种自然果园场景下的柑橘木虱高精度检测方法及装置，该方法包括：获取待检测是否存在柑橘木虱的自然果园场景下的柑橘图像；通过预先训练得到的柑橘木虱检测模型对柑橘图像进行检测；检测模型通过多组训练数据对改进后的YOLOv4‑Tiny网络模型进行训练得到的；改进后的YOLOv4‑Tiny网络模型包括一条与浅层卷积层相连的路径，增加一个输出对小目标敏感的高分辨率输出特征图；根据所述检测模型的检测结果，确定柑橘图像是否存在柑橘木虱以及柑橘木虱的位置。该方法基于对YOLOv4‑Tiny模型进行了改进，增加一个高分辨率的输出特征图，用于采样抽象小目标柑橘木虱的特征，可提升模型对目标柑橘木虱的检测精度。该方法可在复杂的田间环境下进行柑橘木虱的准确检测。

【技术实现步骤摘要】
一种自然果园场景下的柑橘木虱高精度检测方法及装置
本专利技术涉及农业计算机视觉的图像检测
，具体涉及了一种基于YOLOv4-Tiny的自然果园场景下的柑橘木虱高精度检测方法及装置。
技术介绍
柑橘产业作为千亿元级别的大产业，已经成为我国农民收入的重要来源。黄龙病是当前最严重的柑橘疾病之一，尚无有效的治疗方法，由于黄龙病的影响，全球柑橘产业受到严重威胁。柑橘木虱是柑橘黄龙病的主要传播媒介，对柑橘木虱进行检测与防控可以有效地控制黄龙病传播。田间人工检测是常用的检测方法，如通过黄色粘虫板、捕虫网采集并计数和使用塑料棒敲打枝干取样等，这些方法都依赖于人工目测并且效率低下耗费劳动力。目前防治柑橘木虱的主要手段仍为化学防治，长期的不合理使用，不仅导致柑橘木虱出现了不同程度的抗药性，而且引发了环境污染和农药残留等一系列问题。精确高效的柑橘木虱检测是防控柑橘黄龙病的重要前提，也是实现精准农业的关键环节。针对田间人工检测方法存在的问题，国内外诸多学者已经在基于卷积神经网络技术的农作物病虫害识别领域做了大量研究工作。韩国学者在柑橘病虫害分类领域开展系列研究，首先构建一个共有12561幅图像的数据集，包含24类柑橘病虫害，其中柑橘木虱图像有359张，其次基于DenseNet提出柑橘病虫害分类模型WeaklyDenseNet和BridgeNet-19，分类的准确率分别为93.42％和95.47％，模型大小分别为30.5MB和69.8MB。上述的两个模型主要应用于帮助农户进行柑橘病虫害分类，而不是专门针对柑橘木虱监测，因此模型的输出不包含柑橘木虱目标的位置和数量信息，无法精确判断柑橘木虱的虫害情况。美国学者以四轮摩托为行走机构，通过气动敲击机构拍打柑橘树的枝干，使柑橘木虱跌落至观察台，结合计算机视觉技术实现柑橘木虱检测，其中检测算法采用YOLOv1和YOLOv3目标检测模型，在总共8800幅白色背景下的柑橘木虱图像训练和测试，识别的准确率为80％，召回率为95％。美国橘园规模大，地势平坦，橘园的坡度小，柑橘树行距设置大，可以使用大型机械作业。而中国的柑橘大部分在山坡地种植，行株距也不统一，机械作业环境复杂，我国大部分的田间环境不适宜使用上述设备。因此，如何针对我国柑橘园实际的种植情况，准确识别柑橘木虱是同行从业人员亟待解决的问题。
技术实现思路
鉴于上述问题，本专利技术提供一种自然果园场景下的柑橘木虱高精度检测方法及装置，该方法基于YOLOv4-Tiny对自然果园场景下的柑橘图像进行检测，能够解决自然果园场景下受复杂环境下准确检测的难题。第一方面，本专利技术实施例提供一种自然果园场景下的柑橘木虱高精度检测方法，包括：S1、获取待检测是否存在柑橘木虱的自然果园场景下的柑橘图像；S2、通过预先训练得到的柑橘木虱检测模型对所述柑橘图像进行检测；所述检测模型通过多组训练数据对改进后的YOLOv4-Tiny网络模型进行训练得到的；所述多组训练数据的每一组数据包括柑橘木虱的目标框；所述改进后的YOLOv4-Tiny网络模型包括一条与浅层卷积层相连的路径，增加一个输出对小目标敏感的高分辨率输出特征图；S3、根据所述检测模型的检测结果，确定所述柑橘图像是否存在柑橘木虱以及柑橘木虱的位置。在一个实施例中，所述改进后的YOLOv4-Tiny网络模型训练过程，包括：S21、通过手持式拍摄设备采集果园中柑橘树上柑橘木虱的彩色图像，所述彩色图像包括柑橘木虱小目标或被枝叶干扰的柑橘木虱图像；S22、对采集的彩色图像进行预处理；S23、对YOLOv4-Tiny网络模型进行改进，增加一条与浅层卷积层相连的路径，增加一个输出对小目标敏感的高分辨率输出特征图，获得改进后的YOLOv4-Tiny网络模型；S24、对改进后的YOLOv4-Tiny网络模型设置网络模型参数；S25、设置网络模型参数后，使用预处理后的部分彩色图像对改进后的YOLOv4-Tiny网络模型进行迭代训练；S26、当满足预设条件后，迭代训练所对应的改进后的YOLOv4-Tiny网络模型作为最终的检测模型。在一个实施例中，所述步骤S21对采集的彩色图像进行预处理，包括：S211、对采集的彩色图像中的柑橘木虱标注目标框，包括木虱的位置和边框尺寸；S212、将标注后的彩色图像数据按照预设比例构建训练集、验证集和测试集；S213、对所述训练集中的彩色图像进行亮度调节、对比度调节、加入噪声和旋转四种操作扩增数据。在一个实施例中，所述步骤S23，包括：S231、原YOLOv4-Tiny网络利用深层卷积层的信息，输出两张分辨率较低的特征图；在原模型的特征融合网络的基础上添加一条与浅层卷积层相连的路径，增加一个对小目标敏感的高分辨率输出特征图；S232、在原YOLOv4-Tiny网络结构其中的一个输出特征图上，通过上采样操作与新增的高分辨率输出特征图进行连接，融合模型中浅层的细节信息和深层的语义信息；获得改进后的YOLOv4-Tiny网络模型。在一个实施例中，所述步骤S24包括：S241、使用k-means++算法对所述训练集中的目标框大小进行聚类；根据模型输出目标框的数量设置聚类算法的k值，聚类的结果作为改进的YOLOv4-Tiny网络的目标框参数值；S242、设置卷积神经网络输入图像的像素、batchsize、mini-batch、权值的衰减速率、初始学习率和模型迭代次数。在一个实施例中，所述步骤S241包括：S2411、从所述训练集中随机选择1个样本作为第1个初始聚类中心；S2412、计算每个样本与当前已有初始聚类中心的最短距离；S2413、计算每个样本被选为下一个初始聚类中心的概率，按照轮盘法选择出下一个初始聚类中心；S2414、重复步骤S2412步和步骤S2413,直到选择出k个初始聚类中心；S2415、计算每个样本与k个聚类中心的距离，并将其分到距离最小的聚类中心，形成k个簇；S2416、更新聚类中心为隶属簇全部样本的均值；S2417、重复步骤S2415和步骤S2416直到聚类中心不再变化，获得聚类的结果作为改进的YOLOv4-Tiny网络的目标框参数值。在一个实施例中，所述步骤S25中还包括：在迭代训练过程中，每一次迭代开始前，深度学习框架从训练集中读取图像，通过mosaic数据增强生成新图像；将新生成的图像和读取的图像组合成训练样本，输入到模型进行训练。第二方面，本专利技术实施例还提供一种自然果园场景下的柑橘木虱高精度检测装置，包括：获取模块，用于获取待检测是否存在柑橘木虱的自然果园场景下的柑橘图像；检测模块，用于通过预先训练得到的柑橘木虱检测模型对所述柑橘图像进行检测；所述检测模型通过多组训练数据对改进后的YOLOv4-Tiny网络模型进行训练得到的；所述多组训练数据的每一组数据包括柑橘木虱的目标框；所述改进后的YOLOv4-Tiny网络模本文档来自技高网...

【技术保护点】
1.一种自然果园场景下的柑橘木虱高精度检测方法，其特征在于，包括：/nS1、获取待检测是否存在柑橘木虱的自然果园场景下的柑橘图像；/nS2、通过预先训练得到的柑橘木虱检测模型对所述柑橘图像进行检测；所述检测模型通过多组训练数据对改进后的YOLOv4-Tiny网络模型进行训练得到的；所述多组训练数据的每一组数据包括柑橘木虱的目标框；所述改进后的YOLOv4-Tiny网络模型包括一条与浅层卷积层相连的路径，增加一个输出对小目标敏感的高分辨率输出特征图；/nS3、根据所述检测模型的检测结果，确定所述柑橘图像是否存在柑橘木虱以及柑橘木虱的位置。/n

【技术特征摘要】
1.一种自然果园场景下的柑橘木虱高精度检测方法，其特征在于，包括：
S1、获取待检测是否存在柑橘木虱的自然果园场景下的柑橘图像；
S2、通过预先训练得到的柑橘木虱检测模型对所述柑橘图像进行检测；所述检测模型通过多组训练数据对改进后的YOLOv4-Tiny网络模型进行训练得到的；所述多组训练数据的每一组数据包括柑橘木虱的目标框；所述改进后的YOLOv4-Tiny网络模型包括一条与浅层卷积层相连的路径，增加一个输出对小目标敏感的高分辨率输出特征图；
S3、根据所述检测模型的检测结果，确定所述柑橘图像是否存在柑橘木虱以及柑橘木虱的位置。


2.如权利要求1所述的方法，其特征在于，所述改进后的YOLOv4-Tiny网络模型训练过程，包括：
S21、通过手持式拍摄设备采集果园中柑橘树上柑橘木虱的彩色图像，所述彩色图像包括柑橘木虱小目标或被枝叶干扰的柑橘木虱图像；
S22、对采集的彩色图像进行预处理；
S23、对YOLOv4-Tiny网络模型进行改进，增加一条与浅层卷积层相连的路径，增加一个输出对小目标敏感的高分辨率输出特征图，获得改进后的YOLOv4-Tiny网络模型；
S24、对改进后的YOLOv4-Tiny网络模型设置网络模型参数；
S25、设置网络模型参数后，使用预处理后的部分彩色图像对改进后的YOLOv4-Tiny网络模型进行迭代训练；
S26、当满足预设条件后，迭代训练所对应的改进后的YOLOv4-Tiny网络模型作为最终的检测模型。


3.如权利要求2所述的方法，其特征在于，所述步骤S21对采集的彩色图像进行预处理，包括：
S211、对采集的彩色图像中的柑橘木虱标注目标框，包括木虱的位置和边框尺寸；
S212、将标注后的彩色图像数据按照预设比例构建训练集、验证集和测试集；
S213、对所述训练集中的彩色图像进行亮度调节、对比度调节、加入噪声和旋转四种操作扩增数据。


4.如权利要求3所述的方法，其特征在于，所述步骤S23，包括：
S231、原YOLOv4-Tiny网络利用深层卷积层的信息，输出两张分辨率较低的特征图；在原模型的特征融合网络的基础上添加一条与浅层卷积层相连的路径，增加一个对小目标敏感的高分辨率输出特征图；
S232、在原YOLOv4-Tiny网络结构其中的一个输出特征图上，通过上采样操作与新...

【专利技术属性】
技术研发人员：李震，胡嘉沛，姜晟，黄河清，吕石磊，薛秀云，洪添胜，宋淑然，代秋芳，吴伟斌，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东;44