一种基于田间环境的草莓病害检测方法
本发明属于机器视觉检测,具体涉及一种基于田间环境的草莓病害检测方法。
背景技术:
1、植物病害是造成农作物重大经济损失的主要因素之一。在当前农业生产和环境保护的双重需求下,采用高效绿色的病害检测方法尤为重要。在面临大面积种植的草莓时,依赖人工视觉检测病害效率低、成本高且主观性强,不仅病害防治的准确性不高,而且往往因为检测的耗时长而耽误草莓病害治理的最佳时间,造成进一步的损失;其次,草莓病害不能及时地、准确地检测出,就需要大面积地喷洒农药,危害草莓种植的环境和消费者的健康。
2、基于深度学习的目标分类方法现今已广泛应用于各个领域,如工业分类检测和农林业病虫害分类等。目标分类的任务是将输入的图像或数据分为不同的类别,并标注出类别名称以及位置信息。
3、目前,现有技术中使用深度学习技术进行植物病害检测主要包括基于图像处理的分类方法,主要有yolo系列、faster r-cnn、卷积神经网络(cnn)等算法。这些方法通过优化损失函数、引入特征提取模块、设计新的注意力机制等手段,实现了对大棚植物病害的高精度分类。然而,目前现有技术中基本都缺乏病害类别较为完全的草莓数据集,且难以兼顾检测的高精度与病害定位的能力。
4、草莓叶片、果实、花朵在生长过程中易受疾病侵害,通过定期对田间草莓病害进行精准识别与监测,能够更早地发现初期的病害特征并实施防控,预防病害的大规模蔓延,减少化学农药的使用,降低对草莓的伤害。此外,草莓病害还存在大小尺度不一、呈簇状分布以及容易受到遮挡等问题。
技术实现思路
1、针对背景技术中提及的问题,本发明提出一种基于田间真实环境下的草莓病害检测方法,提高了网络训练模型的精度和准确性,同时提升了模型在复杂场景下的检测效果。
2、技术方案:为了解决上述技术问题,本发明采用的技术方案如下:
3、一种基于田间环境的草莓病害检测方法,包括以下步骤:
4、s1:构建草莓病害数据集,包括部分病害草莓和健康草莓的图像;
5、s2:对草莓病害数据集进行筛选剔除处理,并将其划分为训练集、验证集和测试集;
6、s3:对病害草莓的训练集图像进行扩充,包括靶向cutout数据增强、调整旋转角度、改变亮度、添加噪声;
7、s4:改进yolo11网络模型:构建细粒度特征聚合模块替换原模型模块;
8、s5:对改进后的yolo11网络模型进行训练,验证模型检测效果,输出分类结果。
9、作为优选,在s1中,构建草莓病害数据集的具体内容为:
10、草莓病害数据集包括草莓病害在真实田间环境下的复杂图像,具体为七类常见病害:角斑病、炭疽病、花枯病、灰霉病、叶斑病、草莓果实白粉病、草莓叶片白粉病,以及健康草莓。
11、作为优选,在s2中,对数据集进行筛选剔除处理,并将数据集划分为训练集和测试集的具体内容为:
12、首先,对图像样本进行筛选和剔除,剔除掉一些模糊、失真以及主体目标无法辨认的图像,确保数据集的质量;
13、接着,按照4:1:1比例将每个类别的病害和健康图像划分为训练集、验证集和测试集。
14、作为优选,在s3中,病害草莓的训练集图像进行扩充的具体内容:
15、靶向cutout数据增强:在对图像进行标注完成后,在标注区域随机创建一个方形、三角形或圆形区域进行遮挡,接着使用0像素填充该区域;
16、旋转角度:在图像采集的过程当中,设置随机的病害拍摄旋转角度;
17、改变亮度:模拟光照强弱,对选择的图像执行亮度随机增强或减弱操作,且同一类病害两类亮度变换生成的样本数量保持一致;
18、添加噪声:采用均值0、标准差15的高斯白噪声,生成与原图尺寸、通道数匹配的浮点噪声矩阵,将原图转浮点后逐像素叠加噪声,再把像素值约束在0~255防止溢出失真。
19、作为优选,在s4中,改进yolo11网络模型的具体内容为:
20、s41:构建细粒度特征聚合模块c3k2-attention作为新的特征提取模块,替换原模型前两层的c3k2模块;
21、s42:构建上下文双重池化注意力机制模块cdpa,并将其引入到detect检测头之前。
22、作为优选,在s41中,具体的实施内容为:
23、细粒度特征聚合模块采用跨阶段局部网络设置,将输入特征划分为两个分支;
24、一支作为残差分支保留原始特征,另一支依次穿过n个内嵌注意力机制的特征瓶颈层;
25、最后两分支经拼接与1×1卷积进行全局聚合。
26、作为优选,在s42中,具体的实施内容为:
27、特征瓶颈层采用残差拓扑结构,特征经连续的标准卷积提取局部信息后,引入eema注意力机制模块与基于7×7大卷积核的空间注意力模块;
28、eema模块首先将特征沿通道分组展开进行双分支并行处理;
29、左侧分支利用二维自适应池化提取全局空间特征,经1×1卷积与sigmoid激活后与原始分组特征相乘并进行组归一化处理;
30、右侧分支则引入空洞率为1和2的并行卷积,构建多尺度感受野;
31、在左右分支均处理完成之后,将左右分支结果送入交叉注意力模块进行跨分支交互;
32、将跨分支交互后的输出特征经激活后再次与原始分组特征逐元素相乘,最终输入到基于双重池化的通道注意力模块。
33、作为优选,在s42中,具体的实施内容为:
34、双重池化注意力机制模块cdpa通过多尺度空洞特征提取、双分支池化与注意力权重计算以及残差特征重构实现对复杂病害特征的高效提取。
35、作为优选,多尺度空洞特征提取、双分支池化与注意力权重计算以及残差特征重构的具体实施内容为:
36、多尺度空洞特征提取:首先,将输入特征等分为3个子集,并采用并行结构进行处理;然后,分别利用小感受野、标准感受野和空洞率为2的扩张卷积对子集进行处理,最后,通过拼接操作和1×1卷积生成融合后的特征;
37、双分支池化与注意力权重计算:将融合特征分别送入全局平均池化和全局最大池化;引入共享权重的多层感知机处理两路特征,最终生成通道注意力权重;
38、残差特征重构:在得到通道注意力权重后,引入带有恒等映射的残差特征重构机制;将生成的通道注意力权重与原始输入特征进行逐元素相乘,然后再与原始特征逐元素相加,得到最终的输出。
39、作为优选,在s5中,具体实施内容为:
40、在训练网络模型的过程中,首先将划分好的数据集放置在yolo11的data.yaml文件夹内,设置好训练集图像和验证集图像的路径;并在yolo11的train.py脚本中设定训练轮次和批次大小的训练参数;
41、然后,将配置好的data.yaml文件和改进后的yolo11网络模型放置于已配置好运行环境的计算机中,利用已经标注好类别信息的草莓病害图像数据集开始训练过程;
42、在训练期间,系统将会输出每个阶段的训练效果,并通过设置过程监控参数来实时观察训练的平均精度均值;当训练结束后,保存训练好的网络模型权重。
43、有益效果:与现有技术相比,本发明具有以下优点:
44、(1)本发明以yolo11模型为基本架构,基于注意力机制构建了特征提取模块c3k2-attention,替换主干网络中的前两层c3k2模块;构建了上下文双重池化注意力机制模块cdpa,引入到模型的检测头detect网络之前。
45、(2)本发明对c3k2模块进行改进,能够增强模型对多尺度草莓病理特征的提取与检测鲁棒性;将cdpa引入到模型的检测头detect网络之前,能够提高模型在面对复杂的背景环境和被遮挡病害场景下的检测精度。
46、(3)本发明将改进后的算法应用在草莓病害检测中,相较于原始的yolo11算法,具有更优的综合检测指标。
47、(4)本发明将原模型前两层的c3k2模块替换为c3k2-attention;本发明构建cdpa注意力机制模块,引入到detect检测头之前;在单独引入c3k2-attention模块后,相较于模型1,模型2的map50、r、map50-95和f1分别提升了1.0%、1.2%、0.9%和0.36%,且参数量仅微增0.01m。这表明模型通过多尺度空洞卷积扩展感受野增强了细粒度特征捕捉与定位能力;在单独添加cdpa模块后,召回率r提升了1.6%,这表明引入cdpa注意力机制模块后,模型能更好地捕捉大范围病害特征并减少背景的干扰。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com