基于边缘计算与yolov7-tiny的荔枝病害实时检测系统及其方法技术方案

本发明专利技术公开了基于边缘计算与yolov7

【技术实现步骤摘要】
基于边缘计算与yolov7
‑
tiny的荔枝病害实时检测系统及其方法


[0001]本专利技术涉及病虫害检测领域，具体涉及基于边缘计算与yolov7
‑
tiny的荔枝病害实时检测系统及其方法。

技术介绍

[0002]目前我国绝大多数荔枝园依然采用传统的人工方式去管理,果树的灌溉、果树的施肥、病虫害预测与防治等均要靠人为经验判断并做出决策。这种人工管理方式比较粗犷,目的性不强,特别是采用漫灌等传统的灌溉方式,导致严重的水资源浪费。
[0003]现有的病害检测通常以人工检测的方式进行，检测效率低下，并且传统检测过只能够通过病害的样貌特征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，并且传统检测过只能够通过病害的样貌特征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，基于边缘计算与yolov7
‑
tiny的荔枝病害实时检测系统，包括图像识别模块、yolov7
‑
tiny模块，注意力CBAM模块，mAP模块，边缘部署模块；
[0006]所述图像识别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；
[0008]所述注意力CBAM模块用于yolov7
‑
tiny模块，在神经网络中使模型把握重点；
[0009]所述特征缩放模块用于特征缩放模块用于对图像特征进行缩放；
[0010]所述改进Y0L0v7
‑
tiny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Y0L0v7的网络深度学习；
[0011]所述边缘部署模块为用于部署存储权重参数以判断新的病害图像数据；
[0012]所述图像识别模块、mAP模块、改进Y0L0v7
‑
tiny模块、边缘部署模块和交互模块依次通信连接。
[0013]优选的，所述mAP模块具体处理步骤如下：
[0014]Sl：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；
[0015]S2：计算精确度和召回率；
[0016]其中精确度的计算公式为：Precision＝TP/(TP+FP)
[0017]其中召回率的计算公式为：Recall＝TP/(TP+FN)；
[0018]S3：计算各类别平均精确度：Average Precision per class＝(Precision1+Precision2+...+PrecisionN)/N
[0019]计算各类别平均召回率：Average Recall per class＝(Recall1+Recall2+...+RecallN)/N
[0020]其中，N代表类别的总数，Precision1、Precision2、...、PrecisionN分别表示每个类别的精确度，Recall1、Recall2、...、RecallN表示每个类别的召回率；
[0021]S4：计算所有类别平均精确度Mean Average Precision＝(Average Precision1+Average Precision2+...+Average PrecisionN)/N
[0022]计算所有类别平均召回率Mean Average Recall＝(Average Recall1+Average Recall2+...+Average RecallN)/N
[0023]其中，N代表类别的总数，Average Precision1、Average Precision2、...、Average PrecisionN分别表示每个类别的平均精确度，Average Recall1、Average Recall2、...、Average RecallN表示每个类别的平均召回率；
[0024]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。
[0025]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：
[0026]a＝(x
‑
μ)/σ
[0027]其中a为被平均归一化后的值，x表示原始值，μ表示平均值，σ表示标准差。
[0028]优选的，所述注意力模块具体工作如下：
[0029]给定一个中间特征图，CBAM模块会沿着两个独立的维度(通道和空间)依次推断注意力图，然后将注意力图与输入特征图相乘以进行自适应特征优化，由于CBAM是轻量级的通用模块，因此可以忽略的该模块的开销而将其无缝集成到任何CNN架构中，并且可以与基础CNN一起进行端到端训练。
[0030]优选的，所述边缘部署模块采用Jetson nano设备，且Jetson nano有相机接口，通过该相机接口连接所述nano摄像头，进行图像采集。
[0031]优选的，所述边缘部署模块内嵌识别程序，该程序包括训练好的yolov7tiny模型。
[0032]基于边缘计算与yolov7
‑
tiny的荔枝病害实时检测方法，该方法具体包括如下步骤：
[0033]步骤一：构建改进型yolov7
‑
tiny模型，所述模型改进模块包括加入卷积注意力机制模块(CBAM)与特征缩放模块，利用训练集对yolov7
‑
tiny模型进行训练,获得最终训练好的模型；
[0034]步骤二：将已训练好的yolov7
‑
tiny模型部署至边缘部署模块设备端Jetson nano内；
[0035]步骤三：图像识别模块即nano摄像头接收实时病害视频流，所述视频流包括多张连续图像；
[0036]步骤四：将所述视频流输入外部设备至部署在英伟达nano开发板上的最终目标检测模型进行目标检测，输出目标检测结果。
[0037]本专利技术相比现有技术具有以下优点：
[0038]利用了现有技术中Y0L0v7
‑
tiny的深度网络学习架构进行病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；
[0039]通过设置特征缩放模块，能够将特征进行缩放归一化，可使得特征被平均地放大或缩小，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Y0L0v7tiny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，计算结果更快，
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于边缘计算与yolov7
‑
tiny的荔枝病害实时检测系统，其特征在于，包括图像识别模块、yolov7
‑
tiny模块，注意力CBAM模块，mAP模块，边缘部署模块；所述图像识别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；所述注意力CBAM模块用于yolov7
‑
tiny模块，在神经网络中使模型把握重点；所述特征缩放模块用于特征缩放模块用于对图像特征进行缩放；所述改进Y0L0v7
‑
tiny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Y0L0v7的网络深度学习；所述边缘部署模块为用于部署存储权重参数以判断新的病害图像数据；所述图像识别模块、mAP模块、改进Y0L0v7
‑
tiny模块、边缘部署模块和交互模块依次通信连接。2.根据权利要求1所述的基于边缘计算与yolov7
‑
tiny的荔枝病害实时检测系统，其特征在于：所述mAP模块具体处理步骤如下：Sl：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；S2：计算精确度和召回率；其中精确度的计算公式为：Precision＝TP/(TP+FP)其中召回率的计算公式为：Recall＝TP/(TP+FN)；S3：计算各类别平均精确度：AveragePrecisionperclass＝(Precision1+Precision2+...+PrecisionN)/N计算各类别平均召回率：AverageRecallperclass＝(Recall1+Recall2+...+RecallN)/N其中，N代表类别的总数，Precision1、Precision2、...、PrecisionN分别表示每个类别的精确度，Recall1、Recall2、...、RecallN表示每个类别的召回率；S4：计算所有类别平均精确度MeanAveragePrecision＝(Average Precision1+AveragePrecision2+...+AveragePrecisionN)/N计算所有类别平均召回率MeanAvera...

【专利技术属性】
技术研发人员：肖佳仪，岳学军，罗志环，曾凡国，宋庆奎，丁子予，李海锋，郑健宇，李炫天，陈俊致，钟文山，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：