基于改进YOLOX-S网络的农作物病虫害识别方法技术

本发明专利技术涉及图像识别技术领域，具体为基于改进YOLOX

【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、缺乏鲁棒性和自适应能力差的问题。
[0006]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0007]本专利技术为基于改进YOLOX
‑
S网络的农作物病虫害识别方法，包括如下步骤：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]作为本专利技术的一种优选技术方案，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。
[0014]作为本专利技术的一种优选技术方案，所述步骤S2中的数据增强方式具体为：
[0015]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；
[0016]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。
[0017]作为本专利技术的一种优选技术方案，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；
[0018]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；
[0019]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。
[0020]作为本专利技术的一种优选技术方案，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：
[0021][0022][0023][0024]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；
[0025]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：
[0026][0027]作为本专利技术的一种优选技术方案，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；若符合预期要求则保存该训练模型作为最优模型，并将测试集输入至最优模型进行预测得到类别标签和位置信息；若不符合预期要求则调整训练模型的参数，再由验证模型的评估结果进行判断，形成反馈迭代，直至符合预期要求。
[0028]作为本专利技术的一种优选技术方案，所述激活函数的改进方式中，所述SiLU为YOLO
‑
S的原本激活函数，为Sigmoid函数的改进版本，所述SiLU函数可表示为：
[0029]y(x)＝x/(1+e
‑
x
)
[0030]其中，x为神经元的输出。所述ELiSH激活函数采用交叉算子的思想，用于改善信息流和避免梯度的消失，其正半部分与SiLU具有相同性质，负半部分为Sigmoid与ELU函数(e
x
‑
1)的乘积，所述ELiSH激活函数可表示为：
[0031][0032]其中，x为神经元的输出。
[0033]作为本专利技术的一种优选技术方案，所述多尺度检测的改进方式中，原本用于检测
的所述Decoupled head主要分为80
×
80
×
56、40
×
40
×
512和20
×
20
×
1024这3个尺度，增加的一个尺度大小为10
×
10
×
2048，通过增加该尺度加大对深层次网络的利用，以提高病虫害的识别效果。
[0034]作为本专利技术的一种优选技术方案，所述在CSPLayer上添加轻量级注意力模块，通过对残差边施加注意力，进而对每个通道权重做调整，以此来削弱残差操作带来的噪声对网络训练的影响。
[0035]作为本专利技术的一种优选技术方案，所述轻量级注意力模块的施加方式具体包括：
[0036]a、X1借助全局均值池化AvgPool操作压缩高维特征，随后通过全连接层FC以及δ激活函数对特征做F
X2
压缩操作，注意力权重F
x1
按照下式定义：
[0037]F
x1
＝δ(FC(AvgPool(X1)))
[0038]b、通过全连接层FC以及σ激活函数做扩展得到F
X2
，并将最终抽取的注意力权重F
X2
施加到X2上，所述X2和F
X2
按照下式定义：
[0039]F
x2
＝σ(FC(F
X1
))
[00本文档来自技高网...

【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：