【技术实现步骤摘要】
基于改进YOLOX
‑
S网络的农作物病虫害识别方法
[0001]本专利技术涉及图像识别
,具体为基于改进YOLOX
‑
S网络的农作物病虫害识别方法。
技术介绍
[0002]随着我国农业飞速发展,对农作物的产量与质量的要求也不断提高。而农作物病虫害是影响农作物产量与质量的重要因素之一。过去使用人工识别的方法,即靠技术人员的肉眼对农作物病虫害进行识别。
[0003]近些年,随着智慧农业的概念被提出,农场被要求实现无人化、自动化、智能化农业管理,许多农场通过安装高清摄像头获取农作物图像,使用传统视觉学习方法分析所得图像识别农作物病虫害可以解决人工识别效率低等缺点,也符合智慧农业需求导向。
[0004]但是,技术人员知识和经验水平参差不齐,导致识别准确率较低、不确定性过高,而且只能应对小规种植,在大规模种植的情况下存在效率低、实时性差和人力物力花费较大等缺点,另外,传统视觉学习方法仍存在准确率较低、缺乏鲁棒性和自适应能力差等缺点。为此,我们提供了基于改进YOLOX
‑
S网络的农作物病虫害识别方法,用以解决上述中的技术问题。
技术实现思路
[0005]针对以上问题,本专利技术提供了基于改进YOLOX
‑
S网络的农作物病虫害识别方法,该方法实质是在YOLOX
‑
S网络的基础上提出一种农作物病虫害识别方法,使用已有农作物病虫害图像数据进行训练和识别,解决了现有的农作物病虫害识别方法准确率较低、缺乏鲁棒性和 ...
【技术保护点】
【技术特征摘要】
1.基于改进YOLOX
‑
S网络的农作物病虫害识别方法,其特征在于:包括如下步骤:S1、采集农作物病虫害图像数据后对图像进行标注,获得农作物病虫害类别及位置信息的XML文件;S2、将采集到的农作物病虫害图像数据划分为训练集、验证集和测试集,并对所述训练集进行数据增强;S3、改进激活函数和多尺度检测,并增加轻量级注意力模块,完成改进后的YOLO
‑
S网络模型的搭建;S4、设置模型训练参数并进行模型训练,最终得到一个能够对图像中的农作物病虫害进行识别与定位的最优网络;S5、通过获得的最优网络对任意输入的图像中的农作物病虫害进行自动识别与定位,输出病虫害类型和坐标。2.根据权利要求1所述的基于改进YOLOX
‑
S网络的农作物病虫害识别方法,其特征在于,所述步骤S2中农作物病虫害图像数据的划分方法具体为:将数据集按照8:1:1的比例划分为训练集﹑验证集和测试集。3.根据权利要求1所述的基于改进YOLOX
‑
S网络的农作物病虫害识别方法,其特征在于,所述步骤S2中的数据增强方式具体为:S21、采用多种变换方式对采集到的图像进行变换,将图像的灰度级放大到指定的程度,使图像能够显示更多的细节,提高图像的对比度,所述变换方式包括伽马变换和对数变换;S22、对图像进行数据扩充,所述数据扩充的方式包括翻转、平移、旋转、缩放、添加噪声以及分离单个r、g、b三个颜色通道。4.根据权利要求1所述的基于改进YOLOX
‑
S网络的农作物病虫害识别方法,其特征在于,所述步骤S3中激活函数的改进方式为:将YOLOX
‑
S网络的激活函数由SiLU改为采用了交叉算子思想的ELiSH;多尺度检测的改进方式为:将预测端的Decoupled head增加一个尺度,由3个尺度增加到4个尺度;轻量级注意力模块的增加方式为:在CSPLayer上添加轻量级注意力模块。5.根据权利要求1所述的基于改进YOLOX
‑
S网络的农作物病虫害识别方法,其特征在于,所述步骤S5中对农作物病虫害进行自动识别与定位的预测效果通过精确率P、召回率R和均值平均精度mAP进行评价,具体按照下式定义:和均值平均精度mAP进行评价,具体按照下式定义:和均值平均精度mAP进行评价,具体按照下式定义:其中,TP表示正确检测的正样本,FP表示错误检测的负样本,FN表示错误检测的正样本,n为样本类别数,i表示类别编号;平均精度AP由P
‑
R曲线与坐标轴围成的面积所得,具体按照下式定义:
6.根据权利要求2所述的基于改进YOLOX
‑
S网络的农作物病虫害识别方法,其特征在于,先将训练集输入至训练模型进行训练,再将验证集输入至由训练模型输出得到的验证模型,由验证模型的评估结果来判断训练模型是否符合预期要求;...
【专利技术属性】
技术研发人员:黎明曦,夏磊,尤海宁,吴畏,刘寅龙,
申请(专利权)人:安徽成方智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。