一种基于改进YOLOX-S算法的苹果叶片病害检测方法技术

本发明专利技术涉及计算机视觉目标检测技术领域，尤其涉及一种基于改进YOLOX

【技术实现步骤摘要】
一种基于改进YOLOX
‑
S算法的苹果叶片病害检测方法


[0001]本专利技术涉及计算机视觉目标检测
，尤其涉及一种基于改进YOLOX
‑
S算法的苹果叶片病害检测方法。

技术介绍

[0002]对于苹果叶片病害检测问题，国内外已有较多的研究。随着目标检测技术的迅速发展，在目标检测领域算法主要有两种类型，一是一阶段的YOLO系列算法和SSD算法，还有就是二阶段的R
‑
CNN算法等。这些算法的出现，有效的提升了植物病害检测的精度和准确率和速度。但是目前相关苹果叶片部位的病害检测算法普遍存在精度不高，性能不佳的问题，所以在这种情况下，研制出一种高性能、高精度的目标检测算法对提高苹果的产量和质量甚至于促进农业现代化，智慧化发展具有十分重要的意义。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提出一种基于改进YOLOX
‑
S算法的苹果叶片病害检测方法，以解决现有苹果叶片病害检测算法精度不高、性能不佳的问题。
[0004]基于上述目的，本专利技术提供了一种基于改进YOLOX
‑
S算法的苹果叶片病害检测方法，包括以下步骤：
[0005]步骤一、获取苹果叶片病害公共数据集，对公共数据集进行预处理；
[0006]步骤二、对于单阶段目标检测模型YOLOX
‑
S的主干网络CSPDarknet和颈部特征融合网络PAFPN，使用嵌入了ODConv(全维动态卷积)的动态跨阶段局部网络结构(ODCSP)替换YOLOX
‑
S模型主干网络和特征融合网络的所有跨阶段局部网络(CSP)，得到局部改进的单阶段目标检测模型；
[0007]步骤三、对于局部改进的单阶段目标检测模型，在特征金字塔结构PAFPN基础上引入ASFF(自适应特征融合方式)将不同特征尺度的特征进行融合，得到改进的单阶段目标检测模型；
[0008]步骤四、根据实际数据集优化改进的单阶段目标检测模型的损失函数，得到优化的单阶段目标检测模型；
[0009]步骤五、对优化的单阶段目标检测模型进行训练；
[0010]步骤六、使用训练好的模型对具有病害的苹果叶片进行检测，得出病害种类以及位置信息。
[0011]优选地，步骤一中，公共数据集包括从kaggle竞赛中下载了FGVC8苹果叶片病害公共数据集和从百度飞浆下载的苹果叶部病理数据集。
[0012]优选地，步骤一中，预处理包括对公共数据集进行标注，采用调整对比度，上下反转，左右翻转，色度调节的方式进行数据增强，并将数据集以8:2的比例划分出训练集和测试集。
[0013]优选地，步骤二中，使用全维动态卷积的动态跨阶段局部网络结构替换YOLOX
‑
S模
型主干网络和特征融合网络的所有跨阶段局部网络具体包括：
[0014]使用嵌入了ODConv的ODCSP1_X和ODCSP2_X结构更换YOLOX
‑
S模型主干网络和特征融合网络的所有CSP1_X以及CSP2_X结构，其中ODCSP1_X和ODCSP2_X的结构均包括两个分支，输入信息进入ODCSP1_X结构之后，一个分支经过ODConv和残差结构处理之后和另一个经过ODConv处理的分支Concat之后再次经过ODConv处理，输入信息进入ODCSP2_X结构之后，一个分支经过ODConv和基础卷积BaseConv处理之后和另一个经过ODConv处理的分支Concat之后再次经过ODConv处理。
[0015]优选地，步骤三中，自适应融合方式包括对特征图的恒等缩放和对特征的自适应融合。
[0016]优选地，步骤四中，优化改进的单阶段目标检测模型的损失函数包括：
[0017]引入Focalloss更换模型总损失中置信度损失的BCEWithLogits Loss(二元交叉熵损失)。
[0018]优选地，对优化的单阶段目标检测模型进行训练包括：
[0019]步骤S51、YOLOX
‑
S模型选择；
[0020]步骤S52、YOLOX
‑
S模型参数初始化。
[0021]优选地，YOLOX
‑
S模型选择包括：
[0022]修改配置文件，将网络深度设置为0.33，网络宽度设置为0.5。
[0023]优选地，YOLOX
‑
S模型参数初始化包括：
[0024]选择SILU作为激活函数，权重衰减系数为0.0005，Epoch设置为300，Mosaic增强指标设置为(0.5,1.5)，关闭Mixup增强，并在最后100轮训练关闭Mosaic数据增强。
[0025]本专利技术的有益效果：
[0026]1.增加模型的检测精度，并且减少了模型的参数量和计算量：本专利技术对YOLOX的主干网络以及颈部特征融合网络进行改进，提出嵌入了ODConv的ODCSP结构来更换主干网络以及颈部特征融合网络原有的CSP结构从而提升模型的检测精度，并且大大减少了模型最终引入的额外参数以及计算量。
[0027]2.改善了YOLOX模型特征金字塔不同尺度特征之间的不一致性造成的影响：本专利技术引入ASFF来解决特征金字塔的不同尺度特征图之间的不一致性造成的影响，减少了计算所需的推理开销，且改善了不同尺度的目标的特征信息丢失的问题，从而提升了模型的平均精度。
[0028]3.改善了标签类别不平衡问题：本专利技术用Focal loss更换损失中的置信度损失的BCEWithLogits Loss，从而改善了数据集标签类别数量不平衡带来的影响，使模型具有更好的性能。
[0029]4.本专利技术同其他常用的目标检测算法在苹果叶片病害数据集上做对比，也具有比较出色的检测性能。
附图说明
[0030]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其
他的附图。
[0031]图1为本专利技术流程示意图；
[0032]图2为本专利技术YOLOX
‑
S结构图；
[0033]图3为本专利技术改进后的ODCSP1_X以及ODCSP2_X结构示意图；
[0034]图4为本专利技术动态卷积ODConv的原理示意图；
[0035]图5为本专利技术自适应特征融合方式ASFF原理示意图。
具体实施方式
[0036]为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本专利技术进一步详细说明。
[0037]如图1所示，本说明书实施例提供一种基于改进YOLOX
‑
S算法的苹果叶片病害检测方法，包括以下步骤：
[0038]步骤一、获取苹果叶片病害公共数据集，对公共数据集进行预处理；<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YOLOX
‑
S算法的苹果叶片病害检测方法，其特征在于，所述方法包括以下步骤：步骤一、获取苹果叶片病害公共数据集，对公共数据集进行预处理；步骤二、对于单阶段目标检测模型YOLOX
‑
S的主干网络CSPDarknet和颈部特征融合网络PAFPN，使用嵌入了ODConv的ODCSP结构替换YOLOX
‑
S模型主干网络和特征融合网络的所有CSP，得到局部改进的单阶段目标检测模型；步骤三、对于局部改进的单阶段目标检测模型，在特征金字塔结构PAFPN基础上引入ASFF将不同特征尺度的特征进行融合，得到改进的单阶段目标检测模型；步骤四、根据实际数据集优化改进的单阶段目标检测模型的损失函数，得到优化的单阶段目标检测模型；步骤五、对优化的单阶段目标检测模型进行训练；步骤六、使用训练好的模型对具有病害的苹果叶片进行检测，得出病害种类以及位置信息。2.根据权利要求1所述的基于改进YOLOX
‑
S算法的苹果叶片病害检测方法，其特征在于，步骤一中，公共数据集包括从kaggle竞赛中下载了FGVC8苹果叶片病害公共数据集和从百度飞浆下载的苹果叶部病理数据集。3.根据权利要求1所述的基于改进YOLOX
‑
S算法的苹果叶片病害检测方法，其特征在于，步骤一中，预处理包括对公共数据集进行标注，采用调整对比度，上下反转，左右翻转，色度调节的方式进行数据增强，并将数据集以8:2的比例划分出训练集和测试集。4.根据权利要求1所述的基于改进YOLOX
‑
S算法的苹果叶片病害检测方法，其特征在于，步骤二中，使用嵌入了ODConv的ODCSP结构替换YOLOX
‑
S模型主干网络和特征融合网络的所有CSP结构具体包括：使用将模型中原CSP1_X以及CSP2_X结构的三个BaseConv更换为ODConv的ODCSP1_X和ODCSP2_X结构来更换YOLOX
‑
S模型主干网络和特征融合网...

【专利技术属性】
技术研发人员：盛帅，段先华，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：