【技术实现步骤摘要】
本专利技术涉及图像识别，特别是涉及一种基于深度学习的作物病虫害实时检测方法、装置及计算机存储介质。
技术介绍
1、在现有技术中，深度学习模型通常需要大量的计算资源和时间来进行训练和推理，这导致了实时性的问题。在病虫害研究中，及时准确地检测和识别病虫害对于农作物的保护至关重要，但现有的部分深度学习模型可能无法满足实时性的需求。
2、深度学习模型在精确性方面也存在一定的问题。由于病虫害的症状和特征可能受到环境因素的影响，模型可能会产生误判或者漏判的情况。此外，模型在对不同病虫害进行区分时，可能存在一定的混淆和误判。同时，由于病虫害的多样性和复杂性，准确率仍然存在一定的挑战。特别是对于新出现的病虫害或者少见的病虫害，模型的准确率可能较低。
技术实现思路
1、针对上述现有技术的缺陷，本专利技术提供了一种基于深度学习的作物病虫害实时检测方法，解决由于虫害的大小和形状不一，以及摄像头捕捉的图像使物体有远近之分造成的病虫害目标过小或过大导致模型难以准确地检测出目标的问题，提高检测鲁棒性。本专利技术提供了一种基于深度学习的作物病虫害实时检测装置以及一种计算机存储介质。
2、本专利技术技术方案如下：一种基于深度学习的作物病虫害实时检测方法，包括以下步骤：
3、步骤1、采集得到不同农作物的不同病虫害类型与正常图像，对收集到的病虫害图像进行预处理，构建农作物病虫害数据库；
4、步骤2、构建目标检测网络模型；
5、步骤3、利用所述步骤1得到的农作
6、步骤4、采集待检测农作物图像，由所述训练后的网络模型进行是否感染病虫害检测；
7、其中所述目标检测网络模型基于yolov5s改进，所述改进包括由cbsm模块、shufflenetv2中的shuffle_block模块以及yolov5s的sppf模块替换yolov5s的特征提取主干网络，由所述shuffle_block模块引出两条从骨干网络到yolov5s的neck网络的pan中两个concat模块的跳跃连接，并在yolov5s的neck网络与head模块之间添加注意力机制gam模块。
8、进一步地，所述shuffle_block模块包括第一shuffle_block模块和第二shuffle_block模块，所述替换yolov5s的特征提取主干网络的结构为依次连接的cbsm模块、第一shuffle_block模块、第二shuffle_block模块、第二shuffle_block模块、第一shuffle_block模块和sppf模块，所述跳跃连接由两个所述第二shuffle_block模块引出，所述第一shuffle_block模块由unit2、unit1*3模块构成，所述第二shuffle_block模块由unit2、unit1*3模块构成，所述unit1为shufflenetv2中步长为1时的block模块，所述unit2为shufflenetv2中步长为2时的block模块。
9、进一步地，在具有所述跳跃连接的两个concat模块后增加一个卷积核大小为1*1、步长为1、填充为0的卷积模块。
10、进一步地，所述步骤3中训练所述目标检测网络模型时，对农作物病虫害数据库中的数据依次进行mosaic数据增强、自适应锚框计算以及自适应图片缩放处理再输入所述目标检测网络模型，训练时使用焦点损失函数focal loss和基于diou-nms距离交并比的非极大值抑制算法替换yolov5s的nms非极大值抑制算法。
11、进一步地，所述焦点损失函数focal loss定义为
12、
13、公式中(1-pt)γ为调节因子，γ≥0为可调节的聚焦参数，py为预测概率，值在0到1之间。反映了与类别y的接近程度，pt越大说明越接近类别y，即分类越准确；同时，也反映了分类的难易程度，pt越大，说明分类的置信度越高，代表样本越易分。对于分类准确的样本，pt趋近于1，(1-pt)γ趋近于0，即减少了分类准确样本在损失函数中的权重；引入权重因子α，以降低正样本或者负样本的权重，来解决样本不均衡的问题。
14、进一步地，所述基于diou-nms距离交并比的非极大值抑制算法替换yolov5s的nms非极大值抑制算法是由diou损失函数代替iou损失函数，diou损失函数定义为
15、
16、b和bgt分别是预测框b和目标框bgt的中心点，ρ2(b,bgt)为欧几里得距离的平方，c是覆盖预测框b和目标框bgt的最小包围框的对角线长度。
17、进一步地，所述步骤1中的预处理包括旋转、缩放比例、裁剪、遮挡、颜色变化、添加高斯噪声以及数据标注。
18、本专利技术还提供一种基于深度学习的作物病虫害实时检测装置，包括：
19、数据采集模块：采集得到不同农作物的不同病虫害类型与正常图像，对收集到的病虫害图像进行预处理，构建农作物病虫害数据库；
20、检测网络模块：构建目标检测网络模型；
21、网络训练模块：利用所述数据采集模块得到的农作物病虫害数据库对所述目标检测网络模型进行训练，得到训练后的网络模型；
22、以及，检测模块：采集待检测农作物图像，由所述训练后的网络模型进行是否感染病虫害检测；
23、其中所述目标检测网络模型基于yolov5s改进，所述改进包括由cbsm模块、shufflenetv2中的shuffle_block模块以及yolov5s的sppf模块替换yolov5s的特征提取主干网络，由所述shuffle_block模块引出两条从骨干网络到yolov5s的neck网络的pan中两个concat模块的跳跃连接，并在yolov5s的neck网络与head模块之间添加注意力机制gam模块。
24、本专利技术的又一技术方案是一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的基于深度学习的作物病虫害实时检测方法。
25、本专利技术所提供的技术方案的优点在于：
26、由shuffle_block模块引出两条从骨干网络到yolov5s的neck网络的pan中两个concat模块的跳跃连接构成了bifpn结构，为concat模块赋予权重加强了网络对有效信息的利用，以较小成本融合了更丰富的细节信息与语义信息，能根据特征的重要性和贡献度自适应地调整特征金字塔的尺度。如果某个层级的特征对于目标检测任务的贡献较大，bifpn会增加该层级的特征图的分辨率。反之，如果某个层级的特征对于任务的贡献较小，bifpn会降低该层级的特征图的分辨率。进而能够更好地适应不同尺度的病虫害目标，提高模型的鲁棒性。同时添加了自注意力机制，在进行目标检测时更好地捕捉物体的上下文信息以提高模型的精度。
27、采取轻量化网络shufflenetv2的模块改进yolov5s模型的策本文档来自技高网...
【技术保护点】
1.一种基于深度学习的作物病虫害实时检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的作物病虫害实时检测方法，其特征在于，所述Shuffle_block模块包括第一Shuffle_block模块和第二Shuffle_block模块，所述替换YOLOv5s的特征提取主干网络的结构为依次连接的CBSM模块、第一Shuffle_block模块、第二Shuffle_block模块、第二Shuffle_block模块、第一Shuffle_block模块和SPPF模块，所述跳跃连接由两个所述第二Shuffle_block模块引出，所述第一Shuffle_block模块由unit2、unit1*3模块构成，所述第二Shuffle_block模块由unit2、unit1*3模块构成，所述unit1为ShuffleNetv2中步长为1时的block模块，所述unit2为ShuffleNetv2中步长为2时的block模块。
3.根据权利要求1或2所述的基于深度学习的作物病虫害实时检测方法，其特征在于，在具有所述跳跃连接的两个Concat模块后增加一
4.根据权利要求1所述的基于深度学习的作物病虫害实时检测方法，其特征在于，所述步骤3中训练所述目标检测网络模型时，对农作物病虫害数据库中的数据依次进行Mosaic数据增强、自适应锚框计算以及自适应图片缩放处理再输入所述目标检测网络模型，训练时使用焦点损失函数Focal Loss和基于DIoU-NMS距离交并比的非极大值抑制算法替换YOLOv5s的NMS非极大值抑制算法。
5.根据权利要求4所述的基于深度学习的作物病虫害实时检测方法，其特征在于，所述焦点损失函数Focal Loss定义为
6.根据权利要求4所述的基于深度学习的作物病虫害实时检测方法，其特征在于，所述基于DIoU-NMS距离交并比的非极大值抑制算法替换YOLOv5s的NMS非极大值抑制算法是由DIoU损失函数代替IoU损失函数，DIoU损失函数定义为
7.根据权利要求1所述的基于深度学习的作物病虫害实时检测方法，其特征在于，所述步骤1中的预处理包括旋转、缩放比例、裁剪、遮挡、颜色变化、添加高斯噪声以及数据标注。
8.一种基于深度学习的作物病虫害实时检测装置，其特征在于，包括：
9.根据权利要求8所述的基于深度学习的作物病虫害实时检测装置，其特征在于，所述所述Shuffle_block模块包括第一Shuffle_block模块和第二Shuffle_block模块，所述替换YOLOv5s的特征提取主干网络的结构为依次连接的CBSM模块、第一Shuffle_block模块、第二Shuffle_block模块、第二Shuffle_block模块、第一Shuffle_block模块和SPPF模块，所述跳跃连接由两个所述第二Shuffle_block模块引出，所述第一Shuffle_block模块由unit2、unit1*3模块构成，所述第二Shuffle_block模块由unit2、unit1*3模块构成，所述unit1为ShuffleNetv2中步长为1时的block模块，所述unit2为ShuffleNetv2中步长为2时的block模块。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7中任意一项所述的基于深度学习的作物病虫害实时检测方法。
...【技术特征摘要】
1.一种基于深度学习的作物病虫害实时检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的作物病虫害实时检测方法，其特征在于，所述shuffle_block模块包括第一shuffle_block模块和第二shuffle_block模块，所述替换yolov5s的特征提取主干网络的结构为依次连接的cbsm模块、第一shuffle_block模块、第二shuffle_block模块、第二shuffle_block模块、第一shuffle_block模块和sppf模块，所述跳跃连接由两个所述第二shuffle_block模块引出，所述第一shuffle_block模块由unit2、unit1*3模块构成，所述第二shuffle_block模块由unit2、unit1*3模块构成，所述unit1为shufflenetv2中步长为1时的block模块，所述unit2为shufflenetv2中步长为2时的block模块。
3.根据权利要求1或2所述的基于深度学习的作物病虫害实时检测方法，其特征在于，在具有所述跳跃连接的两个concat模块后增加一个卷积核大小为1*1、步长为1、填充为0的卷积模块。
4.根据权利要求1所述的基于深度学习的作物病虫害实时检测方法，其特征在于，所述步骤3中训练所述目标检测网络模型时，对农作物病虫害数据库中的数据依次进行mosaic数据增强、自适应锚框计算以及自适应图片缩放处理再输入所述目标检测网络模型，训练时使用焦点损失函数focal loss和基于diou-nms距离交并比的非极大值抑制算法替换yolov5s的nms非极大值抑制算法。
5.根据权利要求4所述的基于深度学习的作物病虫害实时检测方法，其特...
【专利技术属性】
技术研发人员：施坤昊，孙国栋，柯承康，仇志文，
申请(专利权)人：常熟理工学院，
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。