【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 ...
【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:
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。