【技术实现步骤摘要】
本专利技术属于计算机视觉中目标检测领域，主要涉及一种基于改进yolox-nano算法的轻量化苹果叶片病害检测方法，可以应用于实时苹果叶片病害检测场景中。
技术介绍
1、对于苹果叶片病害检测和防治问题，传统的病害检测方法大多是人工检测，其效率低下，用工成本也较高，已经逐渐不满足苹果种植业的发展现状。随着目标检测技术的迅猛发展，出现了以yolo系列算法为代表的一阶段目标检测算法，以及r-cnn系列算法为代表的二阶段的等两大主要类型的算法。这些算法在植物病害检测领域取得了显著的进展，极大地提高了模型检测性能。但是，这些模型普遍也存在一些问题，包括但不限于检测速度低、模型复杂、实施成本高等方面，从而导致目前大多数的植物叶片病害检测难以付诸现实。因此，针对这一现状，研发一种可以进行实时检测、模型复杂性低的目标检测算法不仅可以实际应用于现实果园中提升果园产出效率，更能促进农业现代化和智慧化发展。
技术实现思路
1、鉴于上述原因，本专利技术的目的在于提供一种基于改进yolox-nano算法的轻量化苹果叶...
【技术保护点】
1.一种基于改进YOLOX-Nano算法的轻量化苹果叶片病害检测方法，其特征在于主要包括以下步骤：
2.根据权利要求1所述的基于改进YOLOX-Nano算法的轻量化苹果叶片病害检测方法，其特征在于，步骤一中，首先，从Kaggle官网中下载农作物病害分类竞赛FGVC8苹果叶片病害数据集，为了使数据集样本更加充分，又从百度飞浆下载了苹果叶部病理数据集，并对两个数据集进行整理标注，标注完成之后对数据集进行数据增强，使数据集标签数量扩充到原来的6倍，以8:2的比例划分出训练集和测试集。
3.根据权利要求1所述的基于改进YOLOX-Nano算法的轻量化苹...
【技术特征摘要】
1.一种基于改进yolox-nano算法的轻量化苹果叶片病害检测方法，其特征在于主要包括以下步骤：
2.根据权利要求1所述的基于改进yolox-nano算法的轻量化苹果叶片病害检测方法，其特征在于，步骤一中，首先，从kaggle官网中下载农作物病害分类竞赛fgvc8苹果叶片病害数据集，为了使数据集样本更加充分，又从百度飞浆下载了苹果叶部病理数据集，并对两个数据集进行整理标注，标注完成之后对数据集进行数据增强，使数据集标签数量扩充到原来的6倍，以8:2的比例划分出训练集和测试集。
3.根据权利要求1所述的基于改进yolox-nano算法的轻量化苹果叶片病害检测方法，其特征在于，步骤二中，yolox-nano模型主要由四个部分组成，其网络结构和yolox系列相同，具体包括输入端模块(input)、主干网络模块(backbone)、颈部特征融合网络模块(neck)、检测头(head)，该网络结构主要由cbl结构包括baseconv和dwconv基础卷积、csp结构包括csp1_x和csp2_x、spp结构等组成；具体确定yolox系列网络中某个模型只需根据项目中的代码对网络深度和宽度进行调节即可；
4.根据权利要求1所述的基于改进yolox-nano算法的轻量化苹果叶片病害检测方法，其特征在于，步骤三中，在主干网络dark3、dark4、dark5模块分支尾部引入高效通道注意力模块(eca)。
5.根据权利要求1所述的基于...
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。