一种基于YOLOv4的轻量化小麦赤霉病检测方法技术

本发明专利技术提供了一种基于YOLOv4的轻量化小麦赤霉病检测方法，属于图像识别与植物保护领域。该技术方案的主要要点包括：采集小麦病害图像，统一大小为750*750像素，并利用标注工具进行标注；然后输入到本发明专利技术设计的基于YOLOv4的轻量化架构进行训练，训练完毕后可以根据输入的小麦病害图像进行检测。所述目标检测模型通过对YOLOv4算法中的CSPDarknet53主干特征提取网络替换为Mobilenet网络，并在特征加强提取网络中加入注意力机制，更加专注于图像中的小麦病害，提高检测的准确率。本发明专利技术中小麦赤霉病检测的参数量得到大大简化，能够满足移动端和实时性的要求，拥有更快的检测速度。拥有更快的检测速度。拥有更快的检测速度。

【技术实现步骤摘要】
一种基于YOLOv4的轻量化小麦赤霉病检测方法
所属

[0001]本专利技术涉及图像识别技术和深度学习领域，具体来说是一种基于轻量化模型的小麦病害图像检测方法。

技术介绍

[0002]农作物病虫害是限制我国农业生产的主要原因，是造成农作物产量减少的主要因素，是制约中国农业优质、高效持续发展的主导因素。小麦作为我国的主要粮食产物之一，赤霉病已成为我国小麦安全生产的最重要病害之一，不仅会造成小麦的大面积减产，还会严重威胁食品安全和人体健康。目前，人们通过野外采样和调查获得农作物病虫害的发生情况，这种传统方法主要基于技术人员的经验，不仅耗费大量的人力和物力，而且受到人为主观因素的影响，具有很大的不确定性，难以满足当前大规模种植区病虫害快速准确检测和实时监测的需要。此外，一般通过喷洒农药对农作物病虫害进行防治，然而很多地区对农药的使用存在不科学和不规范的问题，从而导致生态环境遭到破坏等农业环境问题的发生。为了正确使用农药，有效防治小麦病害，必须准确、实时地识别病害严重程度。
[0003]近年来，计算机视觉、模式识别等技术被广泛应用于农作物病虫害识别领域，并取得了显著效果。大多数经典的农作物病害识别方法专注于从病变图像中提取特征，郑建华等以葡萄黑腐病、轮斑病和褐斑病为研究对象，通过提取RGB颜色矩、HSV颜色直方图特征、GLCM纹理特征和HOG特征，采用级联融合方式获得多维葡萄病害特征，并利用支持向量机算法进行识别训练和测试，平均识别准确率达93.41％。NETTLETON等以水稻为研究对象，提出了两种基于机器学习的稻瘟病识别方法：M5Rules和递归神经网络，分别与基于过程的预测模型 (Yoshino和水文模型)进行对比，在数据样本充足的情况下，基于机器学习的稻瘟病识别方法具有更高的识别准确率和更好的泛化能力。 DUARTE
‑
CARVAJALINO等以识别马铃薯晚疫病为研究目标，通过无人机搭载的相机拍摄高光谱图像构建数据集，收集到的数据作为输入，用于多层感知器、卷积神经网络、支持向量机、随机森林等机器学习算法的训练，试验结果表明，可以精准预测晚疫病对马铃薯的影响程度，其中，卷积神经网络的性能稍优于多层感知器、支持向量机和随机森林算法。上述是基于模式识别和机器学习的识别方法来识别农作物的某些特定图像特征，进而判断农作物的受害情况。但是，模式识别和机器学习在农业领域的应用仍然面临一些困难，受光照条件、图像拍摄角度、田间复杂背景等因素的影响，经典图像处理方法很难准确预测出图像特征；其次，模式识别和机器学习都需要大量的图像数据，在此前提下训练的模型才能取得更高的识别准确率和更好的分类效果，若训练样本数量太少，可能会导致模型出现过拟合现象。
[0004]随着深度学习已经成为图像处理、自然语言处理等各领域的热门技术,卷积神经网络在图像识别和分类中的应用日益广泛。基于深度学习的农作物病虫害识别方法在识别效率、识别准确率和应用场景等方面都展现了其独特的优势。Liu 等提出了一种基于DCNN的苹果叶病的准确识别方法，对4种常见苹果叶病数据集的试验结果表明，DCNN可以为农作物病害识别提供更好地解决方案，具有较高的准确度和较快的收敛速度。孙俊等通过使用
Batch Normalization、GlobalAverage Pooling、缩小卷积核尺寸等方法改进AlexNet网络模型，提升了准确率，减少了模型所需参数，对简单背景下14种作物的26种病害识别平均准确率达到 99.56％。同时，目标检测领域出现了很多优秀的算法，像SSD(SingleShot MultiBoxDetector)、YOLOv4等被相继提出，提升了目标检测的速度。然而，在小麦病害检测的实际应用中，由于YOLOv4的参数量较大，不便于在移动端等嵌入式设备上应用。
[0005]针对上述问题，同时为满足小麦病害实时检测的需求，能够实现尽可能不降低小麦病害检测的识别准确率同时降低YOLOv4模型的参数量，保证更快的检测速度。

技术实现思路

[0006]针对现有技术中的缺点，本专利技术的目的在于提出一种基于YOLOv4的轻量化小麦赤霉病病害检测方法。本专利技术在现有的YOLOv4算法的基础上，有效降低参数量，保证更快的检测速度和更便捷的应用。此外，为了确保检测的精确度，在模型中添加注意力机制。
[0007]为实现上述专利技术目的，本专利技术的具体技术方案如下：
[0008]步骤1，采集小麦赤霉病病害图像数据，统一像素大小，并使用Labelimg 软件对所述小麦赤霉病病害图像中的赤霉病进行标注；步骤2，基于步骤1中标注后的图像进行数据增强以扩充数据集，按比例进行划分为训练集、验证集以及测试集；步骤3，构建基于YOLOv4的轻量化小麦赤霉病病害检测模型，包括依次连接的用于特征提取的Backbone网络、用于特征加强提取的Neck网络和用于预测的Output网络；其中，所述Backbone网络的主干特征提取网络为Mobilenet， Neck网络为加强特征提取网络PANet与特征金字塔FPN相结合的网络结构，主干特征提取网络提取有效特征层输入加强特征提取网络PANet进行进一步的特征提取，并在特征加强提取网络中添加注意力机制，使模型更加注重于小麦病害图像中的赤霉病，金字塔FPN结构融合低分辨率语义信息较强的特征和高分辨率语义信息较弱但空间信息丰富的特征，使得特征得到深度融合，最后通过Output 网络输出预测结果；步骤4，将训练集和验证集输入步骤3的检测模型中进行训练，待模型停止收敛时保存训练好的模型，即生成小麦赤霉病病害检测模型；步骤5，将测试集输入到步骤5中训练好的模型进行测试，验证模型是否拟合，符合要求则进入步骤6，否则返回步骤1；步骤6，获取待识别的小麦病害图像，预处理后输入到验证后的小麦赤霉病病害检测模型，预测小麦赤霉病病害检测的准确度。
[0009]与现有技术相比，本专利技术具有如下的有益效果：
[0010](1)本专利技术中的目标检测模型采用基于YOLOv4算法构建，延用YOLOv4算法中的PAnet(Path Aggregation Network)结构进行特征提取，使其在小麦赤霉病病害的检测准确度上能基本达到原来YOLOv4的效果，在原来YOLOv4的目标检测算法中，小麦赤霉病病害的Precision值为90.72％。在改进而没有添加在注意力机制后，小麦赤霉病病害的Precision值为93.69％；
[0011](2)本专利技术中小麦赤霉病病害检测模型的参数量得到大大简化，训练后的模型由原来的244MB缩小到现在的55MB，能够满足嵌入式设备的要求，拥有更快的识别速度。
[0012](3)本专利技术延用了原来YOLOv4算法多尺度检测的优点，Yolo Head模块将提取到的不同大小的特征层的赤霉病病害进行预测，实现了小麦赤霉病的多尺度检测。
附图说明
[0013]图1为本专利技术实施例中基于YOLOv4的轻量化小麦赤霉病病害检测的步骤流程图；
[0014]图2为本专利技术实施例中改进后的YOLOv4的特征结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv4的轻量化小麦赤霉病检测方法，其特征在于，包括以下步骤：步骤1，采集小麦赤霉病病害图像数据，统一像素大小，并使用Labelimg软件对所述小麦赤霉病病害图像中的赤霉病进行标注；步骤2，基于步骤1中标注后的图像进行数据增强以扩充数据集，按比例进行划分为训练集、验证集以及测试集；步骤3，构建基于YOLOv4的轻量化小麦赤霉病病害检测模型，包括依次连接的用于特征提取的Backbone网络、用于特征加强提取的Neck网络和用于预测的Output网络；其中，所述Backbone网络的主干特征提取网络为Mobilenet，Neck网络为加强特征提取网络PANet与特征金字塔FPN相结合的网络结构，主干特征提取网络提取有效特征层输入加强特征提取网络PANet进行进一步的特征提取，并在特征加强提取网络中添加注意力机制，使模型更加注重于小麦病害图像中的赤霉病，金字塔FPN结构使得特征得到深度融合，最后通过Output网络输出预测结果；步骤4，将训练集和验证集输入步骤3的检测模型中进行训练，待模型停止收敛时保存训练好的模型，即生成小麦赤霉病病害检测模型；步骤5，将测试集输入到步骤4中训练好的模型进行测试，验证模型是否拟合，符合要求则进入步骤6，否则返回步骤1；步骤6，获取待识别的小麦病害图像，预处理后输入到验证后的小麦赤霉病病害检测模型，预测小麦赤霉病病害检测的准确度。2.根据权利要求1所述的一种基于YOLOv4的轻量化小麦赤霉病检测方法，其特征在于，步骤3中，图片数据经过预处理及深度可分离卷积后，获得不同形状大小的特征层，并将特征层输入SPP模块，通过不同大小的最大池化盒进行最大池化，堆叠之后再进行三次卷积，得到Backbone网络最后输出的有效特征层，将有效特征层及深度可分离卷积后得到的特征层输入Neck网络进行特征融合及加强，并由Output网络输出结果。3.根据权利要求2所述的一种基于YOLOv4的轻量化小麦赤霉病检测方法，其特征在于，步骤3具体为：步骤3.1，将图片数据输入Backbone网络依次进行预处理和深度可分离卷积，以提取得到三个不同形状大小的特征层，分别为第一、第二、第三特征层；步骤3.2，将提取到的第一、第二特征层输入至Neck网络中的主干特征提取网络中进行初步特征提取，将提取到的第三特征层输入至SPP模块最大池化，进行多尺度融合，得到有效特征层；步骤3.3，将有效特征层结合第一、第二特征层输入到Neck网络中的加强特征提取网络PANet进行进一步特征提取，并利用Output网络中的Yolo Head进行回归和分类。4.根据权利要求3所述的一种基于YOLOv4的轻量化小麦赤霉病检测方法，其特征在于，步骤3.1中，使用CBM模块进行所述预处理，即将图片数据依次输入卷积Conv、归一化Batachnorm、激活...

【专利技术属性】
技术研发人员：洪青青，蒋玲，张正华，李斌，
申请(专利权)人：扬州大学，
类型：发明
国别省市：