一种基于改进YOLOv7的微小型病虫害检测系统及其方法技术方案

本发明专利技术公开了一种基于改进YOLOv7的微小型病虫害检测系统及其方法，包括视频输入模块、Pic提取模块、AC提取模块、Pic特征提取模块、AC特征提取模块、闪存模块、特征缩放模块、mAP模块、输出模块、YOLOv7模块、模型库和交互模块，所述视频输入模块用于接收拍摄装置传输的影响数据，并将该数据进行转发，所述Pic提取模块和AC提取模块分别用于提取影响数据的图像数据和动作数据，所述Pic特征提取模块和AC特征提取模块分别用于提取图像数据和动作数据的关键特征；本发明专利技术可以有效的提高病虫害检测速度，同时也采用了图像和动作双重检测的方式，使得检测结果精度更高。使得检测结果精度更高。

【技术实现步骤摘要】
一种基于改进YOLOv7的微小型病虫害检测系统及其方法


[0001]本专利技术涉及病虫害检测领域，具体涉及一种基于改进YOLOv7的微小型病虫害检测系统及其方法。

技术介绍

[0002]在农业领域中，病虫是危害植物主要途径，因此人们需要时常对植物进行病虫害检测，进而可及时发现植物的病虫害问题，并且及时进行治理。
[0003]现有的病虫害检测通常以人工检测的方式进行，检测效率低下，并且传统检测过程只能够通过病虫害的样貌特征或病虫对植物造成的损坏状态进行判断，检测结果精度差。

技术实现思路

[0004]本专利技术所要解决的技术问题在于：现有的病虫害检测通常以人工检测的方式进行，检测效率低下，并且传统检测过程只能够通过病虫害的样貌特征或病虫对植物造成的损坏状态进行判断，检测结果精度差。
[0005]本专利技术是通过以下技术方案解决上述技术问题的，一种基于改进YOLOv7的微小型病虫害检测系统，包括视频输入模块、Pic提取模块、AC提取模块、Pic特征提取模块、AC特征提取模块、闪存模块、特征缩放模块、mAP模块、输出模块、YOLOv7模块、模型库和交互模块；
[0006]所述视频输入模块用于接收拍摄装置传输的影响数据，并将该数据进行转发；
[0007]所述Pic提取模块和AC提取模块分别用于提取影响数据的图像数据和动作数据；
[0008]所述Pic特征提取模块和AC特征提取模块分别用于提取图像数据和动作数据的关键特征；
[0009]所述闪存模块用于对提取的图像数据特征和动作数据特征两组数据进行储存；
[0010]所述特征缩放模块用于对图像、动作两组特征进行缩放；
[0011]所述mAP模块用于对检测结果综合衡量，其计算方式为mAP＝所有类别的平均精度求和除以所有类别；
[0012]所述所述输出模块用于将检测成功的数据输出反馈至终端显示设备上；
[0013]所述YOLOv7模块用于对检测未成功的数据进行学习，并该学习方法基于YOLOv7的网络深度学习；
[0014]所述模型库用于储存各类病虫害特征；
[0015]所述视频输入模块、Pic提取模块、AC提取模块、Pic特征提取模块、AC特征提取模块、闪存模块、特征缩放模块、mAP模块、输出模块、YOLOv7模块和模型库依次通信连接。
[0016]优选的，所述特征缩放模块的缩放方法为均值归一化，其特征缩放公式为：
[0017][0018]式中，χ1为被平均归一化后的值，χ2为原始值。
[0019]优选的，所述mAP模块具体处理步骤如下：
[0020]S1：mAP模块接收到数据库后与模型库内储存的数据进行比对，比对结果包括四种，分别为TP、FP、FN、TN，其中TP是正类判定为正类、FP是负类判定为正类、FN是正类判定为负类、TN是负类判定为负类；
[0021]S2：计算精确度和召回率；
[0022]其中精确度的计算公式为：
[0023]其中召回率的计算公式为：
[0024]S3：计算各类别的平均值，计算公式为：
[0025]S4：计算所有类别的平均值，计算公式为：
[0026]S5：经过上述计算后得到各类别的平均值mAP，此时mAP越接近于“1”说明检测的准确率越高，反之则越低。
[0027]优选的，所述交互模块与mAP模块、模型库通信连接。
[0028]优选的，所述AC特征提取模块提取病虫动作时间为0.5
‑
1s。
[0029]一种基于改进YOLOv7的微小型病虫害检测系统的使用方法，该使用方法具体包括如下步骤：
[0030]步骤一：视频输入模块将接收到的视频数据输入值Pic提取模块和AC提取模块中，然后Pic特征提取模块和AC特征提取模块分别对接收的Pic数据和AC数据进行特征提取；
[0031]步骤二：提取到的Pic和AC两组数据均储存在闪存模块中，特征缩放模块对两组数据分别进行缩放，达到均值归一化，得到χ1；
[0032]步骤三：mAP模块根据公式将得到的χ1与模型库内储存的Pic数据和AC数据进行计算；
[0033]步骤四：通过交互模块在mAP模块中输入α、β两个数值，其中1≥α≥0.8≥β，当计算结果为α的时候，检测结果为与模型库储存的数据匹配度高，此时输出模块将结果输出至外部终端进行显示，当计算结果为β的时候，则代表匹配度底，输出模块将结果输出的同时，YOLOv7模块进行深度学习，工作人员通过交互单元对学习结果进行修正后储存在模型库中，完成整个微小型病虫害检测结果的输出以及学习工作。
[0034]本专利技术相比现有技术具有以下优点：
[0035]利用了现有技术中YOLOv7的深度网络学习架构进行病虫害检测过程中的深度学习，学习效果更强，置信度更高，并且也能够使得mAP计算的更加精确；
[0036]通过设置、Pic提取模块、AC提取模块、Pic特征提取模块、AC特征提取模块，采用了Pic和AC的双重特征提取方式，一方面能够通过病虫害、植物损坏的图像特征进行检测，另一方面也可通过病虫的动作特征进行检测，使得检测结果更加精准，便于人们及时准确的确定植物的病虫害病理，检测效果更好；
[0037]通过设置特征缩放模块，能够将采集的Pic和AC特征进行缩放归一化，可使得图
像、动作特征被平均的放大或缩小，进而使得mAP计算的过程中，特征比对结果更加精准，同时特征缩放模块在对特征缩放后才会被YOLOv7学习储存在模型库中，这样就使得后期遇到相同特征的图像、动作，计算结果更快。
附图说明
[0038]图1是本专利技术的系统框图；
[0039]图2是本专利技术的YOLOv7的架构图。
具体实施方式
[0040]下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0041]如图1
‑
2所示，本实施例提供一种技术方案：一种基于改进YOLOv7的微小型病虫害检测系统，包括视频输入模块、Pic提取模块、AC提取模块、Pic特征提取模块、AC特征提取模块、闪存模块、特征缩放模块、mAP模块、输出模块、YOLOv7模块、模型库和交互模块；
[0042]所述视频输入模块用于接收拍摄装置传输的影响数据，并将该数据进行转发；
[0043]所述Pic提取模块和AC提取模块分别用于提取影响数据的图像数据和动作数据；
[0044]所述Pic特征提取模块和AC特征提取模块分别用于提取图像数据和动作数据的关键特征；
[0045]所述闪存模块用于对提取的图像数据特征和动作数据特征两组数据进行储存；
[0046]所述特征缩放模块用于对图像、动作两组特征进行缩放；
[0047]所述mAP模块用于对检测结果综合衡量，其计算方式为mAP＝所有类别的平均精度求和除本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv7的微小型病虫害检测系统，其特征在于，包括视频输入模块、Pic提取模块、AC提取模块、Pic特征提取模块、AC特征提取模块、闪存模块、特征缩放模块、mAP模块、输出模块、YOLOv7模块、模型库和交互模块；所述视频输入模块用于接收拍摄装置传输的影响数据，并将该数据进行转发；所述Pic提取模块和AC提取模块分别用于提取影响数据的图像数据和动作数据；所述Pic特征提取模块和AC特征提取模块分别用于提取图像数据和动作数据的关键特征；所述闪存模块用于对提取的图像数据特征和动作数据特征两组数据进行储存；所述特征缩放模块用于对图像、动作两组特征进行缩放；所述mAP模块用于对检测结果综合衡量，其计算方式为mAP＝所有类别的平均精度求和除以所有类别；所述所述输出模块用于将检测成功的数据输出反馈至终端显示设备上；所述YOLOv7模块用于对检测未成功的数据进行学习，并该学习方法基于YOLOv7的网络深度学习；所述模型库用于储存各类病虫害特征；所述视频输入模块、Pic提取模块、AC提取模块、Pic特征提取模块、AC特征提取模块、闪存模块、特征缩放模块、mAP模块、输出模块、YOLOv7模块和模型库依次通信连接。2.根据权利要求1所述的一种基于改进YOLOv7的微小型病虫害检测系统，其特征在于：所述特征缩放模块的缩放方法为均值归一化，其特征缩放公式为：式中，χ1为被平均归一化后的值，χ2为原始值。3.根据权利要求1所述的一种基于改进YOLOv7的微小型病虫害检测系统，其特征在于：所述mAP模块具体处理步骤如下：S1：mAP模块接收到数据库后与模型库内储存的数据进行比对，比对结果包括四种，分别为TP、FP、FN、TN，其中TP是正类判定为正类、FP是负类判定为正...

【专利技术属性】
技术研发人员：李海锋，岳学军，丁子予，郑建宇，时浩文，肖佳仪，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：