本发明专利技术涉及一种基于改进YOLOv8s的茶叶病虫害轻量化检测方法，其包括：构建关于茶叶病虫害的样本数据集；以YOLOv8s网络为基础构建YOLOv8s‑HMStea模型，所述YOLOv8s‑HMStea模型包括：骨干网络、颈部网络和预测端，其中所述骨干网络是使用MobileNetV3网络和HWD层替换YOLOv8s的骨干网络而形成，所述颈部网络是使用Slim‑neck网络结构，所述预测端使用YOLOv8s网络的Head网络结构；使用样本数据集训练所述YOLOv8s‑HMStea模型；将茶叶叶片图像输入到训练好的所述模型，输出关于茶叶病虫害的检测结果。
【技术实现步骤摘要】
本专利技术涉及植物病虫害检测，具体涉及一种基于改进yolov8s的茶叶病虫害轻量化检测方法。
技术介绍
1、茶叶在生长过程中容易受到病虫害的影响，降低茶叶的产量和品质。传统的茶叶病虫害检测主要依靠茶农和植保专家人工鉴别，耗时耗力，主观性强。
2、近年来，基于深度学习的目标检测技术快速发展，特别是卷积神经网络的使用在茶叶病虫害检测研究中取得了较好的成果，它能自动提取图像中的抽象特征，再经过训练及优化，最终实现对病虫害目标的分类和定位。bao等为了提高茶叶枯病监测的准确性，将多尺度模块加入yolov5的主干网络，并在颈部加入二维混合注意力，整合局部和非局部信息，得到的ddma-yolo模型检测茶叶病虫害的平均精度均值为76.8％，但这样的检测精度不足以满足实际应用。li等人收集了10种常见的茶叶病虫害，利用imagenet预训练模型进行训练，最终模型检测茶叶病虫害的准确率为98.58％，但是该检测模型未考虑模型轻量化，无法在例如智能手机等运算性能较弱的智能移动终端上使用，不利于在茶园现场对茶叶进行病虫害的实时检测。
/>技术本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv8s的茶叶病虫害轻量化检测方法，包括：
2.根据权利要求1所述的基于改进YOLOv8s的茶叶病虫害轻量化检测方法，其中所述样本数据集包括：带有茶叶病虫害的图像数据以及相应的标注信息，该标注信息包含病虫害的类别及在图像数据上的位置信息。
3.根据权利要求2所述的基于改进YOLOv8s的茶叶病虫害轻量化检测方法，其中使用亮化、暗化、水平翻转和添加高斯噪声四种方法完成图像数据的增强，其中用亮化模拟晴天光照环境，用暗化方法模拟阴天的光照环境，用高斯噪声模拟自然环境中的泥泞、枝条造成的噪声影响。
4.根据权利要求1所述的基于改进YOLO...
【技术特征摘要】
1.一种基于改进yolov8s的茶叶病虫害轻量化检测方法，包括：
2.根据权利要求1所述的基于改进yolov8s的茶叶病虫害轻量化检测方法，其中所述样本数据集包括：带有茶叶病虫害的图像数据以及相应的标注信息，该标注信息包含病虫害的类别及在图像数据上的位置信息。
3.根据权利要求2所述的基于改进yolov8s的茶叶病虫害轻量化检测方法，其中使用亮化、暗化、水平翻转和添加高斯噪声四种方法完成图像数据的增强，其中用亮化模拟晴天光照环境，用暗化方法模拟阴天的光照环境，用高斯噪声模拟自然环境中的泥泞、枝条造成的噪声影响。
4.根据权利要求1所述的基于改进yolov8s的茶叶病虫害轻量化检测方法，其中所述yolov8s-hmstea模型的骨干网络包括：1个16通道的conv_bn层、4个不同通道的hwd层，4个concat层，11个不同通道的bneck层，所述4个不同通道的hwd包括：1个16通道的hwd层、1个24通道的hwd层、1个48通道的hwd层、1个96通道的hwd层，所述11个不同通道的bneck层包括：1个16通道的bneck层、2个串联的24通道的bneck层、3个串联的40通道的bneck层、2个串联的48通道的bneck层、3个串联的96通道的bneck层，其中conv_bn层的输入接收输入数据，conv_bn层的输出分别连接16通道的hwd层的输入和16通道的bneck层的输入，16通道的hwd层的输出和16通道的bneck层的输出分别连接第一concat层的输入，第一concat层的输出连接2个串联的24通道的bneck层的输入，16通道的hwd层的输出还连接24通道的hwd层的输入，24通道的hwd层的输出和2个串联的24通道的bneck层的输出分别连接第二concat层的输入，第二concat层的...
【专利技术属性】
技术研发人员：黄铝文，蒲攀，张宏鸣，贾敏，李雯敏，马萍，常浩怡，
申请(专利权)人：西北农林科技大学，
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。