一种基于改进制造技术

本发明专利技术公开了一种基于改进

【技术实现步骤摘要】
一种基于改进YOLOv8的病虫害目标检测方法、装置及设备


[0001]本专利技术涉及农业病虫害目标检测
，尤其涉及一种基于改进
YOLOv8
的病虫害目标检测方法
、
装置及设备
。

技术介绍

[0002]当前在农业虫害检测中，单纯依靠人工观测和经验辨识很可能会导致对害虫的误判，从而导致管理上的失误，造成人力
、
物力和生产费用的浪费，难以达到预期的防治效果
。
农业病虫害目标检测是利用计算机视觉技术，对农作物中出现的病虫害进行精准检测和识别，确保农业稳产甚至增产
。
[0003]目前，主要的病虫目标检测算法有
Faster R
‑
CNN、YOLO(You Only Look Once)、SSD(Single Shot MultiBox Detector)
等
。Faster R
‑
CNN
作为基本的检测框架，属于二阶段方法，缺乏针对数据稀缺场景的定制考虑
。
以
SSD
和
YOLO
为主的单阶段模型算法仅需将图像数据输入至网络中就可预测所有的检测框
。
但因为目标物体的形状
、
变形
、
颜色
、
大小
、
姿态等多种因素的影响，导致算法的准确度较低
。
[0004]YOLOv8
是一种基于深度学习的目标检测算法，其核心思想是将整个检测过程看作一个单一
、
端到端的网络，该网络能够同时预测对象的边界框和类别
。YOLOv8
采用特征金字塔网络来提取不同尺度下的特征，使得网络可以对不同大小和位置的目标进行检测
。
但对于较小的目标，
YOLOv8
仍然存在检测不精确的问题
。

技术实现思路

[0005]本专利技术提供了一种基于改进
YOLOv8
的病虫害目标检测方法
、
装置及设备，解决了农业场景中对于病虫害检测效率低下
、
准确率低
、
成本高等问题
。
[0006]一种基于改进
YOLOv8
的病虫害目标检测方法，包括：
[0007]获取农业病虫害图像数据集；
[0008]基于训练好的
Sim
‑
YOLOv8
模型根据所述农业病虫害图像数据集进行检测，得到目标检测结果；
[0009]其中，所述
Sim
‑
YOLOv8
模型为根据农业病虫害图像训练集训练得到，所述农业病虫害图像训练集为经过数据筛选
、
数据扩充
、
数据增强以及数据标注后的数据集
。
[0010]在本专利技术的一种实施例中，经过对采集的农业病虫害图像进行数据筛选
、
数据扩充
、
数据增强以及数据标注后得到训练集，具体包括：对采集到的农业病虫害图像进行像素值筛选，得到符合像素值高于预设阈值的第一图像；对符合像素值要求的图像进行筛选，得到符合其他要求的第二图像；对所述第二图像进行分类，得到原始数据集；对所述原始数据集进行数据扩充，将扩充后的原始数据集按比例进行划分，得到符合划分比例的训练集
、
验证集和测试集；对所述训练集进行数据增强，得到增强后的训练集；将增强后的训练集
、
验证集和测试集中的所有图像调整为
640
×
640
像素，并对所述增强后的训练集和验证集进行图像标注；将标注完成的增强后的训练集保存为最终的训练集
。
[0011]在本专利技术的一种实施例中，在使用
Sim
‑
YOLOv8
模型前对其进行构建并训练，得到训练好的
Sim
‑
YOLOv8
模型，具体包括：将在开源数据集中进行预训练好的
YOLOv8
权重迁移至
Sim
‑
YOLOv8
模型作为初始权重；通过加入
SimAM
注意力机制的主干网络对训练集进行特征提取，得到含有注意力机制的特征层；根据含有注意力机制的特征层和在所述特征提取过程中获得的中间特征层进行特征融合，得到组合特征；根据所述组合特征进行结果预测，得到预测结果；对所述训练集中的样本进行标签匹配，得到标签匹配结果；根据标签匹配结果和所述预测结果计算
Sim
‑
YOLOv8
模型的损失函数；根据所述损失函数调整所述
Sim
‑
YOLOv8
模型参数，得到最终训练好的
Sim
‑
YOLOv8
模型
。
[0012]在本专利技术的一种实施例中，所述通过加入
SimAM
注意力机制的主干网络对训练集进行特征提取，得到含有注意力机制的特征层，具体包括：将训练集中的图像数据进行2次卷积操作，得到特征层
S1
；将所述特征层
S1
输入至
C2f
模块，得到特征层
S2
，将所述特征层
S2
经过卷积后得到第二特征层；将所述第二特征层输入至
C2f
模块，得到特征层
S3
，将所述特征层
S3
经过卷积后得到第三特征层；将所述第三特征层输入至
C2f
模块，得到特征层
S4
，将所述特征层
S4
经过卷积后得到第四特征层；将所述第四特征层输入至
C2f
模块，得到特征层
S5
；将所述特征层
S5
输入至
SimAM
注意力模块，得到含有注意力机制的特征层
。
[0013]在本专利技术的一种实施例中，所述根据含有注意力机制的特征层和在所述特征提取过程中获得的中间特征层进行特征融合，得到组合特征，具体包括：将含有注意力机制的特征层输出至快速空间金字塔池化
SPPF
模块中，得到固定大小的特征向量；将固定大小的特征向量进行第一次上采样，将第一次上采样输出特征图与在所述特征提取过程中获得的特征层
S4
进行特征融合，得到第一融合特征层，将所述第一融合特征层输入至
C2f
模块，得到特征层
S7
；对特征层
S7
进行上采样后输出的特征图与特征层
S3
进行特征融合，得到第二融合特征层，将所述第二融合特征层输入至
C2f
模块，得到特征层
S8
；将所述特征层
S8
进行卷积操作后得到特征层与所述特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进
YOLOv8
的病虫害目标检测方法，其特征在于，包括：获取农业病虫害图像数据集；基于训练好的
Sim
‑
YOLOv8
模型根据所述农业病虫害图像数据集进行检测，得到目标检测结果；其中，所述
Sim
‑
YOLOv8
模型为根据农业病虫害图像训练集训练得到，所述农业病虫害图像训练集为经过数据筛选
、
数据扩充
、
数据增强以及数据标注后的数据集
。2.
根据权利要求1所述的方法，其特征在于，经过对采集的农业病虫害图像进行数据筛选
、
数据扩充
、
数据增强以及数据标注后得到训练集，具体包括：对采集到的农业病虫害图像进行像素值筛选，得到符合像素值高于预设阈值的第一图像；对符合像素值要求的图像进行筛选，得到符合其他要求的第二图像；对所述第二图像进行分类，得到原始数据集；对所述原始数据集进行数据扩充，将扩充后的原始数据集按比例进行划分，得到符合划分比例的训练集
、
验证集和测试集；对所述训练集进行数据增强，得到增强后的训练集；将增强后的训练集
、
验证集和测试集中的所有图像调整为
640
×
640
像素，并对所述增强后的训练集和验证集进行图像标注；将标注完成的增强后的训练集保存为最终的训练集
。3.
根据权利要求1所述的方法，其特征在于，在使用
Sim
‑
YOLOv8
模型前对其进行构建并训练，得到训练好的
Sim
‑
YOLOv8
模型，具体包括：将在开源数据集中进行预训练好的
YOLOv8
权重迁移至
Sim
‑
YOLOv8
模型作为初始权重；通过加入
SimAM
注意力机制的主干网络对训练集进行特征提取，得到含有注意力机制的特征层；根据含有注意力机制的特征层和在所述特征提取过程中获得的中间特征层进行特征融合，得到组合特征；根据所述组合特征进行结果预测，得到预测结果；对所述训练集中的样本进行标签匹配，得到标签匹配结果；根据标签匹配结果和所述预测结果计算
Sim
‑
YOLOv8
模型的损失函数；根据所述损失函数调整所述
Sim
‑
YOLOv8
模型参数，得到最终训练好的
Sim
‑
YOLOv8
模型
。4.
根据权利要求3所述的方法，其特征在于，所述通过加入
SimAM
注意力机制的主干网络对训练集进行特征提取，得到含有注意力机制的特征层，具体包括：将训练集中的图像数据进行2次卷积操作，得到特征层
S1
；将所述特征层
S1
输入至
C2f
模块，得到特征层
S2
，将所述特征层
S2
经过卷积后得到第二特征层；将所述第二特征层输入至
C2f
模块，得到特征层
S3
，将所述特征层
S3
经过卷积后得到第三特征层；将所述第三特征层输入至
C2f
模块，得到特征层
S4
，将所述特征层
S4
经过卷积后得到第四特征层；
将所述第四特征层输入至
C2f
模块，得到特征层
S5
；将所述特征层
S5
输入至
SimAM
注意力模块，得到含有注意力机制的特征层
。5.
根据权利要求3所述的方法，其特征在于，所述根据含有注意力机制的特征层和在所述特征提取过程中获得的中间特征层进行特征融合，得到组合特征，具体包括：将含有注意力机制的特征层输出至快速空间金字塔池化
SPPF

【专利技术属性】
技术研发人员：罗长寿，赵瑞芳，余军，曹承忠，魏清凤，陆阳，王富荣，郑亚明，
申请(专利权)人：北京市农林科学院，
类型：发明
国别省市：