一种基于轻量级网络的番茄病虫害检测方法技术

本发明专利技术公开了一种基于轻量级网络的番茄病虫害检测方法，包括以下步骤：步骤1：获取番茄叶片图像；步骤2：对获取的番茄叶片图像进行标注处理，建立番茄病虫害数据集；步骤3：构建轻量级检测网络

【技术实现步骤摘要】
一种基于轻量级网络的番茄病虫害检测方法


[0001]本专利技术属于病虫害目标检测
，具体涉及一种基于轻量级网络的番茄病虫害检测方法
。

技术介绍

[0002]目前我国大部分地区还延用传统检测方法，传统的检测方法识别精度低
、
可靠性差
、
检测速度慢
、
耗费人力，并且在防治面积以及方法推广上存在一定的局限性，难以大面积推广，不能达到农业现代化
、
信息化的生产要求
。
[0003]专利号为
CN202121790469.1
设计了一种番茄叶片病害识别装置，该专利设计的手持式检测装置仅仅是不需要依靠人工肉眼识别，但还需要依靠人工进行手持检测，对于大面积种植的番茄大棚检测效率要低很多，并且还是需要雇佣人工来进行检测操作
。
[0004]专利号为
CN202111622531.0
设计了一种基于深度学习的番茄叶片病害识别研究方法，该方法基于
MobilenetV3
网络模型，此模型仅仅是追求检测速度，将模型体积直接换为体积更小的
Mobilenet
网络模型，从而降低了检测精度
。

技术实现思路

[0005]为了克服以上技术问题，本专利技术的目的在于提供一种基于轻量级网络的番茄病虫害检测方法，该检测方法不仅在检测体积上有大幅度的减少，并且在检测精度上有很大的提升
。
[0006]为了实现上述目的，本专利技术采用的技术方案是：
[0007]一种基于轻量级网络的番茄病虫害检测方法，包括以下步骤：
[0008]步骤1：获取番茄叶片图像；
[0009]步骤2：对获取的番茄叶片图像进行标注处理，建立番茄病虫害数据集；
[0010]步骤3：构建轻量级检测网络
——M
‑
CenterNet
‑
YOLOv5
；
[0011]步骤4：对轻量级深度学习网络进行训练，使网络达到
90
％以上的检测精度；
[0012]步骤5：使用构建的
M
‑
CenterNet
‑
YOLOv5
轻量级检测网络对番茄叶片图像进行检测，分析检测结果；
[0013]步骤6：将轻量级深度学习网络部署在番茄大棚内，通过高清摄像头获取番茄生长阶段图像，将图像输入到轻量级深度学习网络中
。
[0014]所述步骤1具体包括：
[0015]步骤
1.1
：获取现有番茄数据集中的番茄病虫害图像；
[0016]步骤
1.2
：通过
Python
爬虫算法获取网络上的番茄病虫害图像；
[0017]步骤
1.3
：将相同的番茄病虫害图像进行合并，删除模糊不清的图像，共得到8类不同的番茄叶片图像，分别为：早疫病
、
晚疫病
、
细菌性斑点
、
黄化曲叶病
、
叶霉病
、
白粉病
、
红蜘蛛损伤和健康的番茄叶片图像
。
[0018]所述步骤2具体包括：
[0019]步骤
2.1
：将番茄叶片图像裁剪成
320
×
320
的大小；
[0020]步骤
2.2
：使用
Labelimg
工具对裁剪后的图像进行手动标注，生成用于网络训练的
xml
文件，建立番茄病虫害数据集；
[0021]步骤
2.3
：按照
8:2
的比例把数据集分为训练集和验证集
。
[0022]所述步骤
2.2
中手动标注具体包括以下操作：
[0023]步骤
2.2.1
：打开
Labelimg
工具后上传待标注的图片；
[0024]步骤
2.2.2
：使用鼠标选取需要标注的区域；
[0025]步骤
2.2.3
；选择标注区域的病虫害类型；
[0026]步骤
2.2.4
：点击确定，在文件夹中自动生成
xml
文件
。
[0027]所述步骤3具体包括：
[0028]步骤
3.1
：网络的主体使用
YOLOv5
目标检测网络，用于提高检测精度，在所述的
YOLOv5
网络的
Neck
部分加入自适应空间特征融合结构，用来原本网络中的
FPN
和
PAN
结构，又在
FPN
中加入了一个小目标检测层，用来丰富特征融合过程中的细节信息；
[0029]步骤
3.2
：为了降低网络的体积大小，提高网络检测速度，将
YOLOv5
的骨干网络替换为更加轻量的
M
‑
CenterNet
结构，所述的
M
‑
CenterNet
为关键点预测的目标检测网络
(CenterNet)
和
MobileNet
网络结合构建的轻量级网络结构，将新构建的轻量级网络命名为
M
‑
CenterNet
；
[0030]步骤
3.3
：通过步骤
3.1
和
3.2
构建全新的轻量级番茄病虫害检测网络
——M
‑
CenterNet
‑
YOLOv5
网络；所述
M
‑
CenterNet
‑
YOLOv5
网络的骨干网络为更加轻量的
M
‑
CenterNet
结构，此结构就是步骤
3.2
中所述
CenterNet
和
MobileNet
网络结合而成的网络结构，它的体积相较于
YOLOv5
原本的骨干网络体积更加的小，仅有
28M
大小，而原本的
YOLOv5
网络体积为
40.8M
，骨干网络用来对输入的图像进行特征提取
。
颈部网络
(Neck)
为加入了自适应空间特征融合和小目标检测层的
FPN+PAN
的结构，用于更好的融合图像细节信息，用来进一步提取特征信息并将图像特征传递到预测层，头部网络沿用
YOLOv5
的头部网络结构，用来生成边界框和预测类别
。
[0031]所述步骤4具体包括：
[0032]步骤...

【技术保护点】

【技术特征摘要】
1.
一种基于轻量级网络的番茄病虫害检测方法，其特征在于，包括以下步骤：步骤1：获取番茄叶片图像；步骤2：对获取的番茄叶片图像进行标注处理，建立番茄病虫害数据集；步骤3：构建轻量级检测网络
——M
‑
CenterNet
‑
YOLOv5
；步骤4：对轻量级深度学习网络进行训练，使网络达到
90
％以上的检测精度；步骤5：使用构建的
M
‑
CenterNet
‑
YOLOv5
轻量级检测网络对番茄叶片图像进行检测，分析检测结果；步骤6：将轻量级深度学习网络部署在番茄大棚内，通过高清摄像头获取番茄生长阶段图像，将图像输入到轻量级深度学习网络中
。2.
根据权利要求1所述的一种基于轻量级网络的番茄病虫害检测方法，其特征在于，所述步骤1具体包括：步骤
1.1
：获取现有番茄数据集中的番茄病虫害图像；步骤
1.2
：通过
Python
爬虫算法获取网络上的番茄病虫害图像；步骤
1.3
：将相同的番茄病虫害图像进行合并，删除模糊不清的图像，共得到8类不同的番茄叶片图像，分别为：早疫病
、
晚疫病
、
细菌性斑点
、
黄化曲叶病
、
叶霉病
、
白粉病
、
红蜘蛛损伤和健康的番茄叶片图像
。3.
根据权利要求1所述的一种基于轻量级网络的番茄病虫害检测方法，其特征在于，所述步骤2具体包括：步骤
2.1
：将番茄叶片图像裁剪成
320
×
320
的大小；步骤
2.2
：使用
Labelimg
工具对裁剪后的图像进行手动标注，生成用于网络训练的
xml
文件，建立番茄病虫害数据集；步骤
2.3
：按照
8:2
的比例把数据集分为训练集和验证集
。4.
根据权利要求2所述的一种基于轻量级网络的番茄病虫害检测方法，其特征在于，所述步骤
2.2
中手动标注具体包括以下操作：步骤
2.2.1
：打开
Labelimg
工具后上传待标注的图片；步骤
2.2.2
：使用鼠标选取需要标注的区域；步骤
2.2.3
；选择标注区域的病虫害类型；步骤
2.2.4
：点击确定，在文件夹中自动生成
xml
文件
。5.
根据权利要求1所述的一种基于轻量级网络的番茄病虫害检测方法，其特征在于，所述步骤3具体包括：步骤
3.1
：在
YOLOv5
网络的
Neck
部分加入自适应空间特征融合结构，用来原本网络中的
FPN
和
PAN
结构，又在
FPN
中加入了一个小目标检测层，用来丰富特征融合过程中的细节信息；步骤
3.2
：使用轻量的
M
‑
CenterNet
结构，
M
‑
CenterNet
为关键点预测的目标检测网络
(CenterNet)
和

【专利技术属性】
技术研发人员：张开生，刘学斌，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：