【技术实现步骤摘要】
本专利技术属于农作物检测，特别是涉及一种水稻病虫害检测方法。
技术介绍
1、在水稻病虫害检测的传统算法中，常采用多种技术手段综合运用。首先，使用hsv颜色空间的颜色过滤和形状分析方法，通过阈值滤波器提取出特定颜色的目标区域，比如水稻叶片。然后，借助形状分析技术(如霍夫变换)，能够比较精确地定位病虫害区域。此外，运用边缘检测算法，特别是canny边缘检测，有助于捕捉物体的边界信息，再通过轮廓分析进一步提高定位的精准度。另一种方法是模板匹配，逐像素地比对预先准备好的病虫害模板与图像，从而定位已知形状的病虫害。同时，通过级联分类器(如viola-jones算法)，对图像中的不同区域进行分类筛选，进一步支持病虫害区域的检测。然而，传统算法在处理复杂环境、光照变化和遮挡等情况时存在一定局限性，可能导致遗漏或误判。
2、yolov5中边界框损失采用的是iou loss来计算，iou用于衡量模型预测的边界框与真实标注框之间的重叠程度。然而当目标很小的情况下，即使较小的位置偏差也可能显著影响iou值，从而导致误差较大的情况。复杂场景中可能存在大量复杂多样的背景干扰，模型可能会将这些背景错误地识别为目标，导致误检增加；同时在复杂背景的干扰下，会导致目标位置预测不准确。
技术实现思路
1、为达到上述目的，本专利技术采用的技术方案是：一种水稻病虫害检测方法，包括步骤：
2、s10,在yolov5模型网络中在主干网络sppf模块前面添加dca注意力机制模块，边框损失函数中增加nwd
3、dca注意力机制模块专注于图像的空间坐标信息，以捕获图像中不同位置之间的关系和结构；通过在主干网络sppf模块前面添加dca注意力机制模块，由dca模块关注和采集有用的空间坐标信息，然后通过后面衔接的sppf模块进一步筛选和融合出更精准有用的空间坐标信息，从而增加对病虫害目标区域的关注度；
4、s20,利用水稻病虫害检测模型对采集图像进行识别，输出病虫害检测结果。
5、进一步的是，所述yolov5模型网络包括输入端input、主干网络backbone、颈部网络neck和检测头head；输入端接收原始图像，并将其作为模型的初始数据输入；主干网络的任务是从输入图像中提取高层次的特征信息；颈部网络，融合来自不同尺度特征图的信息；最后，检测头负责关键的目标检测任务，包括预测图像中目标的边界框、置信度和类别，定位和识别图像中的目标物体；
6、其中主干网络包括sppf模块，sppf模块实现特征图的多尺度池化操作。
7、进一步的是，主干网络还包括cbs模块和c3模块，cbs模块和c3模块设置在sppf模块之前，cbs模块是特征提取的基础组件，c3模块用于增强特征提取能力；所述dca注意力机制模块设置在多层cbs模块和c3模块之后。
8、进一步的是，在cbs模块和c3模块中设置有bottleneck模块，通过维度降低和升高的步骤，减少计算参数的数量，同时增加模型非线性表达能力。
9、进一步的是，所述颈部网络采用路径聚合网络pan的结构。
10、进一步的是，所述dca注意力模块基于ca注意力模块进行改进，将ca注意力模块中的卷积操作由conv2d用可变形卷积deform_conv2d进行替换。
11、进一步的是，所述dca注意力模块处理步骤包括：
12、s11,对输入特征图f0进行两次平均池化操作，分别沿着宽度w和高度h方向；在w方向，使用大小为1×w的卷积核进行池化，在h方向，使用大小为h×1的卷积核进行池化，这两次池化操作产生了两个不同维度的特征图fw和fh，fw特征图大小是c×h×1，fh特征图大小是c×1×w；
13、s12,将特征图fw和fh进行拼接，得到特征图为f1，f1特征图大小为c×1×(w+h)；
14、s13,将特征图f1使用卷积核大小为1×1，输出通道c/r的卷积,然后进行归一化、非线性处理操作得到特征图f2，f2特征图大小为c/r×1×(w+h)；
15、s14,将f2再次分割成h方向特征图f3和w方向特征图f4，f3的大小为c/r×1×w，f4的大小为c/r×h×1；
16、s15,将f2和f3分别通过一个卷积核大小为1*1，输出通道为c的卷积，得到特征图f4和f5，f4的大小为c*1*w，f4的大小为c×h×1；
17、s16,特征图f4和f5分别通过一个sigmoid函数，得到w方向和h方向的权重f6和f7；
18、s17,特征图f0与权重f6、f7连乘，输出调整权重以后的特征图f8。
19、进一步的是，边框损失函数中增加nwd损失，计算包括步骤：
20、s21,把真实框na和预测框nb表示为二维高斯分布n(μ,σ)的形式,其中(cx,cy)表示中心坐标，w和h表示宽度和高度；
21、s22,计算na和nb之间wasserstein距离；
22、s23,把wasserstein距离进行标准化以后，得到nwd损失；
23、s23,利用结合iou损失和nwd损失，得到改进后的边界框损失函数。
24、采用本技术方案的有益效果：
25、本专利技术提出一种基于yolov5改进的水稻病虫害检测方法，在yolov5算法主干网络sppf模块前面增加dca注意力模块，从而增加对病虫害目标区域的关注度，减少病虫害目标的误检情况，同时还能更准确的定位病虫害位置。在边框损失函数中增加nwd损失，提升对小目标的检测能力。本专利技术改进后算法对水稻病虫害检水稻病虫害检测具有较好的性能表现，在map、precision、recall方面都超过原算法，具有较高的实用价值。
26、本方法在yolov5算法主干网络sppf模块前面添加dca注意力机制模块。dca注意力机制专注于图像的空间坐标信息，以捕获图像中不同位置之间的关系和结构。这个注意力机制的主要思想是：空间坐标包含有关图像内容和结构的重要信息，可以用于增强视觉任务的性能，增加目标位置的敏感性和自适应性。位置敏感性能关注图像中每个像素的位置，这使得模型可以更好地理解对象的位置和相对位置；自适应性可以学习哪些位置在特定任务中更重要，从而增强了模型的表征能力。在本专利技术在yolov5算法主干网络sppf模块前面添加dca注意力机制提高对病虫害目标区域的关注度；sppf模块是空间金字塔池化层，同样关注目标对象的空间信息,可以捕获不同尺度下的目标特征，因为它可以在不同大小(多尺度)的区域上进行池化，对空间特征信息进一步筛选和融合，这样提供了更丰富的特征表示，有助于提高网络的性能。因此通过在主干网络sppf模块前面添加dca注意力机制模块，由dca模块关注和采集有用的空间坐标信息，然后通过后面衔接的sppf模块进一步筛选和融合出更精准有用的空间坐标信息，从而增加对病虫害目标区域的关注度，加强算法在复杂背本文档来自技高网...
【技术保护点】
1.一种水稻病虫害检测方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种水稻病虫害检测方法，其特征在于，所述YOLOv5模型网络包括输入端Input、主干网络Backbone、颈部网络Neck和检测头Head；输入端接收原始图像，并将其作为模型的初始数据输入；主干网络的任务是从输入图像中提取高层次的特征信息；颈部网络，融合来自不同尺度特征图的信息；最后，检测头负责关键的目标检测任务，包括预测图像中目标的边界框、置信度和类别，定位和识别图像中的目标物体；
3.根据权利要求2所述的一种水稻病虫害检测方法，其特征在于，主干网络还包括CBS模块和C3模块，CBS模块和C3模块设置在SPPF模块之前，CBS模块是特征提取的基础组件，C3模块用于增强特征提取能力；所述DCA注意力机制模块设置在多层CBS模块和C3模块之后。
4.根据权利要求3所述的一种水稻病虫害检测方法，其特征在于，在CBS模块和C3模块中设置有Bottleneck模块，通过维度降低和升高的步骤，减少计算参数的数量，同时增加模型非线性表达能力。
5.根据权利要求2所述的
6.根据权利要求1所述的一种水稻病虫害检测方法，其特征在于，所述DCA注意力模块基于CA注意力模块进行改进，将CA注意力模块中的卷积操作由Conv2d用可变形卷积Deform_conv2d进行替换。
7.根据权利要求6所述的一种水稻病虫害检测方法，其特征在于，所述DCA注意力模块处理步骤包括：
8.根据权利要求1所述的一种水稻病虫害检测方法，其特征在于，边框损失函数中增加NWD损失，计算包括步骤：
...【技术特征摘要】
1.一种水稻病虫害检测方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种水稻病虫害检测方法，其特征在于，所述yolov5模型网络包括输入端input、主干网络backbone、颈部网络neck和检测头head；输入端接收原始图像，并将其作为模型的初始数据输入；主干网络的任务是从输入图像中提取高层次的特征信息；颈部网络，融合来自不同尺度特征图的信息；最后，检测头负责关键的目标检测任务，包括预测图像中目标的边界框、置信度和类别，定位和识别图像中的目标物体；
3.根据权利要求2所述的一种水稻病虫害检测方法，其特征在于，主干网络还包括cbs模块和c3模块，cbs模块和c3模块设置在sppf模块之前，cbs模块是特征提取的基础组件，c3模块用于增强特征提取能力；所述dca注意力机制模块设置在多层cbs模块和c3模块之后。
【专利技术属性】
技术研发人员：邢伟寅，甘波，梁姝，邓阳，蒲国林，钟乐海，李礁，陈波，韩正勇，罗金生，刘洪义，刘城，张小卫，蒲可，
申请(专利权)人：绵阳职业技术学院，
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。