基于改进的YOLOX的小麦叶片病害识别方法及系统技术方案

本发明专利技术涉及农作物病害识别技术领域，公开了基于改进的YOLOX的小麦叶片病害识别方法及系统，包括：采集小麦病害图像，获取训练集、验证集和测试集；将训练集和验证集输入到改进后的YOLOX目标检测模型中进行训练，保存最优的训练权值文件；在改进后的YOLOX目标检测模型加载所述最优的训练权值文件并利用测试集对改进后的YOLOX目标检测模型进行测试，评估其各项指标是否符合小麦病害识别任务得到最终小麦病害检测模型以识别小麦病害种类。本发明专利技术通过优化模型结构和精简参数以提升识别复杂环境下小麦病害的泛化能力和实时诊断效率，并且显著增强了对高相似度病害如黄矮病、条锈病和白粉病的区分精度，从而实现精准防治。

【技术实现步骤摘要】

本专利技术涉及农作物病害识别领域，具体涉及基于改进的yolox的小麦叶片病害识别方法及系统。

技术介绍

1、传统机器学习方法在农业病害识别领域，尤其是小麦病害识别应用中，面临着诸多挑战。首先，依赖人工选取和构造特征的过程不仅耗时巨大，而且受限于人的主观判断和处理速度，严重影响了模型构建及应用的效率。小麦叶片因其微小尺寸、病害种类繁多以及光照条件不一等因素，导致病害症状表现复杂且难以通过传统图像预处理手段有效提取关键特征。

2、近年来，深度学习技术在解决这些问题上取得了显著突破。例如，一系列基于卷积神经网络(cnn)的深度学习模型，如resnet50、inception-v3、vgg-16/19、xception以及mobilenet等，在农业病害识别研究中表现出高效且高准确性的特征提取能力如：(1)利用迁移学习策略优化resnet50模型，在水稻病害识别任务中实现了高达95.23％的准确率，并通过建立二分类模型过滤非水稻病虫害图片以提高识别合理性；(2)采用多种深度网络架构并通过微调与迁移学习提高了识别虫害的平均准确率至93.82％；(3)运用本文档来自技高网...

【技术保护点】

1.基于改进的YOLOX的小麦叶片病害识别方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于改进的YOLOX的小麦叶片病害识别方法，其特征在于，在训练过程中，选用平均绝对误差L1 Loss作为改进后的YOLOX目标检测模型的损失函数。

3.如权利要求1所述的基于改进的YOLOX的小麦叶片病害识别方法，其特征在于，所述改进后的YOLOX目标检测模型的主干网络由一个Stemlayer层和4个Stagelayer层组成；

4.如权利要求1所述的基于改进的YOLOX的小麦叶片病害识别方法，其特征在于，

5.如权利要求1所述的基于改进的YO...

【技术特征摘要】

1.基于改进的yolox的小麦叶片病害识别方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于改进的yolox的小麦叶片病害识别方法，其特征在于，在训练过程中，选用平均绝对误差l1 loss作为改进后的yolox目标检测模型的损失函数。

3.如权利要求1所述的基于改进的yolox的小麦叶片病害识别方法，其特征在于，所述改进后的yolox目标检测模型的主干网络由一个stemlayer层和4个stagelayer层组成；

4.如权利要求1所述的基于改进的yolox的小麦叶片病害识别方法，其特征在于，

5.如权利要求1所述的基于改进的yolox的小麦叶片病害识别方法，其特征在于，降低特定层级特征图的通道数量，并设定卷积核实施三次最大池化操作，将池化后的数据与未经池化的原始数据进行融合，实现对空间金字塔池化模块改进。

<...

【专利技术属性】
技术研发人员：王轩慧，董坪鑫，杨雅麟，颜笑笑，张洋，王轩力，谢德燕，马媛媛，凌一茗，吴伟，葛敬光，罗慧，王鹏，刘潇洋，
申请(专利权)人：青岛农业大学，
类型：发明
国别省市：