一种在自然环境中快速检测小麦赤霉病穗及严重度的方法技术

本发明专利技术公开了一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，涉及图像识别技术领域，所述步骤包括如下：S1：使用改进的YOLOv5s网络检测田间小麦穗，以检测病穗和健康穗；S2：将本研究提出的改进YOLOv5s与YOLOv3

【技术实现步骤摘要】
一种在自然环境中快速检测小麦赤霉病穗及严重度的方法


[0001]本专利技术涉及图像识别
，具体为一种在自然环境中快速检测小麦赤霉病穗及严重度的方法。

技术介绍

[0002]小麦赤霉病(Fusarium head blight，FHB)是小麦中最常见和最具破坏性的病害之一，对粮食安全和人类健康构成严重威胁。因此，实时检测和确定小麦FHB的严重程度对于有效管理和损失评估至关重要。目标检测为疾病检测提供了新的思路和方法。然而目前的大多数模型较为复杂，这极大地要求了硬件的计算能力和实现成本，限制了模型的部署和移植。因此，在轻量化的前提下对小麦FHB进行有效的实时检测和严重度评估至关重要。本研究提出了一种新颖先进YOLOv5s算法，该算法既能实现高精度，又能实现快速的检测，促进小麦FHB的快速准确检测。

技术实现思路

[0003]针对现有技术的不足，本专利技术提供了一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，解决了
技术介绍
中所提出的问题。
[0004]为实现以上目的，本专利技术通过以下技术方案予以实现：一种在自然环境本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述步骤包括如下：S1：使用改进的YOLOv5s网络检测田间小麦穗，以检测病穗和健康穗；S2：将本研究提出的改进的YOLOv5s与YOLOv3
‑
Tiny、YOLOv4、SSD、Faster R
‑
CNN和YOLOv7模型进行了对比，验证了模型的有效性和优越性。2.根据权利要求1所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述步骤S2中模型为YOLOv5s模型，所述YOLOv5s模型是一个经典的单阶段结构，它包括以下三部分：特征提取主干网络，特征融合颈部网络和检测头,YOLOv5s算法的检测过程包括以下三个主要步骤：(1)特征提取：将输入图像的尺寸调整为640
×
640，并将调整后的图像输入主干网络，主干网络集成了卷积(Convolution，Conv)，快速空间金字塔池化(Fast spatial pyramid pooling mudule，SPPF)等多种特征提取模块；(2)特征融合：主干网络生成的特征图传输到颈部网络，颈部网络采用PANet结构进行多尺度特征融合，充分整合特征图提供的不同层和尺度的信息；(3)检测头：在颈部网络中融合特征后，该层的输出被输送到用于检测不同尺度的目标的三个检测头，这些检测头可分别检测小型、中型和大型目标。3.根据权利要求1所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述步骤S1中包括MobileNetV3主干网络，采用轻量级网络MobileNetV3替换了YOLOv5s的原始主干网络，将SPPF模块整合到主干网络中，以增强感受野和特征表达能力，从而提高检测精度，此外，我们将颈部的C3模块替换为C3Ghost模块，以进一步减小模型尺寸，所述MobileNetV3遵循MobileNetV1的深度可分离卷积和MobileNetV2的线性瓶颈和倒残差结构，并通过网络架构搜索(Neural architecture search，NAS)获取参数，它使用NetAdapt算法来获得卷积内核和通道的最佳数量，此外，该模型在优化过程中引入了h
‑
swish函数和挤压和激励(Squeeze
‑
and
‑
Excitation，SE)注意力模块，大大提高了模型的速度和性能；h
‑
swish是swish非线性的最新修改版本，与原始swish函数相比，其设计计算速度更快，对量化更友好。计算公式如下：所述SE是一种注意力机制，通过自适应地调整特征图中每个通道的权重来提高模型的表达能力，SE架构包括两个主要模块：挤压模块和激励模块，挤压模块通过全局平均池化操作将特征图的空间维度降为1x1，得到每个通道的全局特征描述。激励模块利用全连接层来学习每个通道的重要性权重，然后将这些权重应用于原始特征图，生成加权特征图，随后转发到下一层进行处理；通过将注意力SE模块插入到神经网络的不同层中，可以使网络更加关注重要的特征，减少对不重要特征的依赖，从而提高模型的性能和泛化能力。4.根据权利要求2所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述C3Ghost是通过用Ghost Bottleneck替换原始的C3中的Bottleneck来减少模型参数的引入，Ghost Bottleneck由GhostConv和深度卷积(Depthwise convolution,
DWConV)组成，可以降低一般卷积层的计算复杂度和参数量，同时保持相似的识别性能(K.Han et al.,2020；Shang et al.,2023)。5.根据权利要求1所述一种在自然环境中快速检测小麦赤霉病穗及严重度的方法，其特征在于：所述步骤S2中还包括对模型的评估，利用多个指标来综合评估模型的性能，包括精度(Precision，P)、召回率(Recall，R)、F1得分、全类平均精度(Mean average precision，mAP)、每秒帧数(Frames per second，FPS)、参数量(Parameters)和每秒浮点运算数(FLOPs)，P反映模型对正样本进行分类的能力，R评估模型找到正样本的能力，F1分数是P和R的调和平均值，mAP表示所有类别的平均...

【专利技术属性】
技术研发人员：郭伟，高春凤，公政，张慧，乔红波，
申请(专利权)人：河南农业大学，
类型：发明
国别省市：