基于YOLOv1和EfficientNet-B0的农作物病虫害检测算法制造技术

本发明专利技术公开了一种基于YOLOv1和EfficientNet

【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]常见的农作物病虫害检测方法是对采集的图像进行分类。基于目前图像分类算法性能已经可以达到接近100％的水平，图像分类算法受到很多科研人员的偏爱。然而，对于自然环境下随机采集的样本，图像分类算法的泛化能力似乎不能满足需求，错综复杂的背景对分类算法的准确率的影响非常大。农作物病虫害检测精度仍然很低，目前准确率最高的目标检测算法的准确率也只有85％左右，单独用目标检测算法的效果也不是很理想，并且长期以来难以得到突破。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术所要解决的技术问题是：解决现有技术中准确率难以再得到提升的问题，采用将YOLOv1和EfficientNet
‑
B0两种算法相结合，利用YOLOv1算法的目标识别优势和EfficientNet
‑
B0算法的分类识别优势，以实现对农作物分种类对病虫害实现识别。采用多尺度特征融合方法增强对小目标样本的识别准确率。并在现有识别概率上有大大的提升。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]一种基于YOLOv1和EfficientNet
‑
B0的农作物病虫害检测算法,其关键于：
[0008]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；
[0009]其中，对初始数据集经数据进行预处理操作包括数据集选取、数据增强、分辨率重塑reshape、归一化。
[0010]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；
[0011]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；
[0012]步骤三：对所述复合模型进行递进检测模型设计；
[0013]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。
[0014]通过上述设计，将YOLOv1算法和EfficientNet
‑
B0算法组合，形成本专利技术的复合算法。在本专利技术中，利用YOLOv1进行目标检测，得到可能目标在原图像上的位置信息；然后，在EfficientNet
‑
B0提取多尺度融合特征，基于以上位置信息，利用ROI建立映射关系，得到基于特征图的目标位置信息；接着，把从YOLOv1得到的每个目标的置信度和EfficientNet
‑
B0得到的分类条件概率做乘积，得到预测概率；最后，利用非极大值抑制(NMS)选出最终目标并得到分类结果，有效提高了检测效率。
[0015]进一步地，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；
[0016]传统技术中，YOLOv1神经网络算法中由一系列的卷积层和全连接层组成，在本专利技术中，为了不打乱特征图feature map与原图的映射关系，删掉了YOLOv1的全连接层。同时，因为全连接层所含参数非常多，对计算要求更大，删去全连接层可以进一步提高检测速度。整的目的是，通过YOLOv1可以得到s个网格的B个边界框Bounding Box的位置信息和置信度。对s*B个边界框Bounding Box依据置信度进一步筛选，可得到n(n<s*B)个可能存在物体的边界框Bounding Box的位置信息。
[0017]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；
[0018]微调EfficientNet
‑
B0的目的是为了适应本文农作物病虫害类别数量的要求，同时尽可能地减少网络过拟合。分类网络的目的是对目标检测网络输出的n个Bounding Box逐一分类，得到分类概率P(class
i
|object)，这是一个条件概率，是假设是物体的情况下的一个分类概率。
[0019]步骤二中，整合搭建形成复合模型框架具体内容为：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；
[0020]如果只是单纯地将原图像分割后再逐张输入分类网络，这会造成极大地浪费，因为原图的特征会被多次提取，这是没必要的。借鉴Fast R
‑
CNN的思想，先提取原图特征，再在特征图上切割目标，可以极大地提高速度。
[0021]ROI处理对输入的特征图feature map做池化运算，但这不是一般的池化。因为EfficientNet
‑
B0规定全连接层的输入是固定的7
×7×
320，所以需要对不同尺寸的特征图feature maps做特殊池化。
[0022]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。
[0023]再进一步地，步骤二中，根据目标检测网络得到n个边界框的5个元素(x,y,w,h,C)，具体的(x,y)表示边界框Bounding Box的中心坐标，即是相对于每个网格左上角坐标点的偏移值；(w,h)表示边界框宽和高，；置信度P
r
(object)表示的是
边界框Bounding Box含有目标的几率；表示预测框与真实框的交并比；
[0024]根据分类网络得到n个边界框的分类概率n*P(class
i
|object)；
[0025]则n个边界本文档来自技高网...

【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：