【技术实现步骤摘要】
基于YOLOv1和EfficientNet
‑
B0的农作物病虫害检测算法
[0001]本专利技术属于农作物病虫害检测
，具体涉及一种基于YOLOv1和EfficientNet
‑
B0的农作物病虫害检测算法。
技术介绍
[0002]农作物病虫害是农牧业行业遭遇的关键挑战之一，毁灭性的农作物病虫害加重了粮食供应的紧缺。依据相关统计分析和剖析，从2006年到2015年，全国各地农作物病害的受灾面积从4.63亿hm2到5.075亿hm2不等，导致非常大的谷物与财产损失。如何做到合理地识别农作物病虫害，是采取相关预防对策的第一步。
[0003]随着移动互联网，智能机器和电子信息技术的飞速发展，一些科研学者选择了计算机视觉领域作为开发和设计用于检测农作物病虫害终端设备的基础。在计算机视觉行业中，图像识别是典型的应用之一，卷积神经网络(CNN)可以轻松地获得清晰度级别较高的图像特征，这使得CNN在图像识别领域具有足够的优势。识别性能良好，并受到开发人员的青睐。
[0004]常见的农...
【技术保护点】
【技术特征摘要】
1.一种基于YOLOv1和EfficientNet
‑
B0的农作物病虫害检测算法,其特征在于：具体按照以下步骤进行：步骤一：按照农作物种类获取农作物图片数据集作为初始数据集，对初始数据集经数据进行预处理得到预处理数据集，并将所述预处理数据集按照农作物种类分别对应分成训练数据集、验证数据集和测试数据集；步骤二：分别对YOLOv1算法和EfficientNet
‑
B0算法进行调整，并整合得到复合模型框架，以农作物病虫害图像作为检测目标，采用所述训练数据集进行复合模型训练，得到带未知超参数的复合模型；采用验证数据集对未知超参数的复合模型进行调整，拟合求出未知超参数，得到最终的复合模型；步骤三：对所述复合模型进行递进检测模型设计；步骤四：采用所述测试数据集对所述递进检测模型进行验证，得到识别率。2.根据权利要求1所述的基于YOLOv1和EfficientNet
‑
B0的农作物病虫害检测算法，其特征在于：步骤二中，对YOLOv1算法的调整内容为：删除YOLOv1算法模型的全连接层，保留卷积层作为分类网络；步骤二中，对EfficientNet
‑
B0算法的调整内容为：去除EfficientNet
‑
B0算法模型的全连接层，保留卷积层作为目标检测网络；步骤二中，整合搭建形成复合模型框架具体内容为：池化层ROI将目标检测网络的结果与分类网络的特征图feature map建立映射关系；步骤二中，采用训练数据集进行复合模型训练时，所述目标检测网络用于得到每个目标的置信度，所述分类网络用于得到分类条件概率。3.根据权利要求2所述的基于YOLOv1和EfficientNet
‑
B0的农作物病虫害检测算法，其特征在于：步骤二...
【专利技术属性】
技术研发人员：房小兆，陈永灏，孙为军，杜翠凤，周郭许，谢胜利，
申请(专利权)人：中电科普天科技股份有限公司，
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。