柑橘病虫害跨设备泛化检测方法及系统

本发明涉及图像识别，特别涉及柑橘病虫害跨设备泛化检测方法及系统。

背景技术：

1、柑橘产业传统病虫害防控模式以定期喷施化学农药、人工田间巡查为主，该模式在生产实践中已暴露出诸多局限性。过度依赖化学防治不仅推高生产升本，还易引发农药残留超标、 面源污染加剧、病虫害抗药性增强等一系列问题，与我国农业绿色发展的战略导向相悖。 人工巡查效率低下、覆盖范围有限等短板，识别准确性高度依赖巡检人员的专业经验与状态，难以实现病虫害的早期发现与精准定位，往往会错失最佳防治时机。

2、随着劳动力成本上升与农业从业者老龄化趋势加剧，传统人力密集型的病虫害防控模式已难以为继。基于机器视觉的病虫害智能检测技术是提升防控效率与精准性的核心技术途径。为实现果园病虫害的常态化、自动化智能监测，固定式监控球形摄像机（以下简称球机，即 ptz 摄像头，具备水平/垂直旋转与变焦能力）的引入成为必要选择。相较于无人机等自动化监测手段，球机具有部署成本低、安装维护简便、运行稳定性强等优势，目前已成为现代果园基础设施中应用广泛的监控设备。球机通常部署于果园制高点（距地面 5-8 m），依托光学变焦与云台旋转能力，可实现对特定树冠区域的全天候、大范围连续图像采集，满足果园无人值守自动化监测的核心需求。因此，构建融合“手机近景诊断”与“球机远景监控”的柑橘病虫害协同检测体系，是实现智慧果园常态化、智能化管理的必然方向。智能手机可获取高清晰度的病害细节特征，适用于病虫害的精准识别与现场防控决策；固定部署的球机可实现全天候、大范围的自动化图像采集，支撑病虫害的长期发生趋势分析与早期预警。二者功能互补，可形成从“点”到“面”、从“即时”到“持续”的柑橘病虫害立体化监测网络。

3、然而，现阶段面临跨设备泛化与轻量化部署两大核心技术挑战。首要瓶颈为检测模型的跨设备泛化能力不足：同一模型难以有效适配手机、球机的异构图像输入并保持稳定检测性能， 形成显著的设备域鸿沟。具体来看：

4、尺度差异：手机采集图像中病斑平均面积占比高，而球机图像中病斑尺度明显更小，占比通常低于30%；

5、分辨率与清晰度差异：手机图像保留了丰富的病斑纹理细节，球机因拍摄距离较远，图像存在明显的高频信息损失；

6、背景复杂度差异：手机图像的拍摄背景相对可控，球机图像则包含枝叶遮挡、地面干扰等更多复杂干扰背景；

7、视角差异：手机拍摄角度灵活，图像视角丰富度高，球机为全天候固定安装，图像视角多样性单一。

8、上述差异导致同一病虫害在不同设备图像中的视觉表征存在显著分布偏移。迁移至单一设备数据部署时训练优化的模型，在另一类设备上往往出现精度大幅下降、漏检误检率升高等问题， 严重制约了多设备协同检测系统的实际应用价值。另一核心瓶颈是模型在边缘设备上的高效部署难题。智能手机、网络球机均属于边缘计算设备，普遍面临计算能力有限、内存容量较小、电池续航要求高、网络连接不稳定等硬件约束。当前检测性能检测模型为追求高精度，多采用深层次、宽通道的网络结构，衍生出参数量庞大、计算复杂度高的问题。若直接将此类高性能模型部署至边缘端，会因计算负载过重造成推理速度缓慢，无法满足实际检测的实时性要求，还可能因为内存占用过高引发设备卡顿、闪退等问题。

9、进一步而言，在跨设备检测场景下，模型轻量化还需额外应对“非对称性能退化”挑战： 若仅以单一设备数据的精度为优化目标进行压缩，压缩后的模型可能对设备差异更为敏感， 在另一类设备上出现更严重的性能衰减。

10、为此，需要一种能够解决传统检测模型在不同采集设备间性能退化问题的柑橘病虫害跨设备泛化检测方法及系统。

技术实现思路

1、本发明的目的之一在于，提供柑橘病虫害跨设备泛化检测方法，能够解决传统检测模型在不同采集设备间性能退化的问题。

2、为了解决上述技术问题，本技术提供如下技术方案：

3、柑橘病虫害跨设备泛化检测方法，包括如下内容：

4、s1、分别采用不同边缘设备作为图像采集终端采集柑橘病虫害图像，构建柑橘病虫害数据集；

5、s2、采用以叶片为基本标注单位的标注策略，对采集的全部柑橘病虫害图像进行标注；

6、s3、将柑橘病虫害数据集划分为训练集，验证集和测试集；

7、s4、对训练集应用数据增强操作；

8、s5、采用yolov11作为目标检测任务的基线模型；将坐标注意力、高频增强残差块、多路径聚合网络三个特征增强模块与yolov11n基线模型整合，形成柑橘病虫害检测模型yolo-gdm；

9、s6、通过训练集对构建的柑橘病虫害检测模型yolo-gdm进行训练，直到满足预设要求。

10、进一步，还包括:

11、s7、对不同边缘设备开展资源约束分析，并在此基础上确立轻量化优化方向；

12、s8、对柑橘病虫害检测模型yolo-gdm进行结构化剪枝。

13、进一步，所述步骤s1中，边缘设备包括智能手机和球机；

14、通过智能手机开展采集时，固定拍摄角度为垂直于叶片平面，从10cm至100cm共设置10个距离梯度，在每个距离梯度下，针对溃疡病、潜叶蛾、青苔病、脂点黄斑病及缺素症五类典型柑橘病虫害采集图像；

15、球机采集时，在距离5-10m采集柑橘树距地面1.8-2.2m冠中上部区域的图像。

16、进一步，所述步骤s2中，叶片级标注时，将每一片受病虫害侵染的完整叶片作为一个独立检测目标框出，类别标签依据该叶片上的主导病害类型确定。

17、进一步，所述步骤s4中，数据增强操作包括：

18、多尺度随机裁剪，裁剪比例范围为0.7-1.0；

19、色彩空间扰动，hsv±30%扰动、饱和度分量添加±20%扰动；

20、几何变换，包括±15°随机旋转、随机水平翻转；

21、噪声模拟，设置σ=0.05；

22、模拟雾化增强，叠加透明度为0.1～0.3的半透明雾层。

23、进一步，所述步骤s5中，yolov11整体架构包括高效特征提取骨干网络backbone、多尺度特征融合颈部网络neck以及动态锚框检测头head；

24、在backbone的c3k2模块内部嵌入hferb模块，增强模型对高频细节的提取能力；

25、在backbone末端插入ca模块，在深层语义特征层面实现复杂背景的干扰抑制；

26、在neck的fpn上采样路径与panet下采样路径中，在p3、p4、p5三个尺度层级的特征融合节点处插入manet模块，实现采集大目标与采集小目标多尺度特征的自适应聚合。

27、进一步，所述步骤s7中，约束场景，包括：太阳能供电功耗约束、存储与内存约束和实时性与稳定性约束；

28、轻量化目标包括参数量压缩目标、计算复杂度优化目标、跨设备性能保持目标、部署适配目标。

29、进一步，所述步骤s8中，结构化剪枝步骤具体包括：

30、模型准备阶段：加载训练完成的 yolo-gdm 模型权重，冻结批量归一化batchnorm层参数，保留模型训练过程中获得的最优权重；

31、渐进式剪枝阶段：共进行多轮迭代，每轮迭代包含通道重要性评估和渐进式剪除；其中渐进式剪除规则为：移除当前迭代中重要性最低的 0.1% 通道；每轮剪枝后执行快速验证validation评估map@50，当连续10轮剪枝后map@50累计下降超过2%时，触发剪枝早停；

32、性能恢复阶段：

33、阶段一：对剪枝后的轻量模型进行300个epoch的微调，仅使用检测任务损失，恢复模型基本检测性能；

34、阶段二：以微调后的模型作为学生模型，以完整结构的yolo-gdm作为教师模型，引入逻辑蒸馏损失提升模型性能。

35、本发明的目的之二在于，还提供柑橘病虫害跨设备泛化检测系统，使用上述方法。

36、本方案通过分别采用不同边缘设备采集图像并构建数据集，结合以叶片为基本标注单位的策略，不仅大幅提升了标注效率，还使得模型学习到的特征直接与农业生产中受害叶片率的灾情评估指标契合，增强模型在复杂田间背景下的检测鲁棒性。对训练集应用数据增强操作，有效模拟了果园非结构化环境中的各类干扰，为提升模型的泛化能力奠定了坚实的数据基础。本方案在yolov11基线模型中创新性地整合了坐标注意力、高频增强残差块以及多路径聚合网络三个特征增强模块，构建了yolo-gdm模型。这种分阶段的特异性增强机制，使得模型能够在深层语义层面有效抑制复杂背景干扰，在特征提取阶段针对性地恢复因设备差异衰减的高频细节，并实现大目标与小目标多尺度特征的自适应聚合，从而跨越了异购物联网设备间的视觉域鸿沟，实现了高精度、高适应性的跨设备协同检测。