欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022106639846
申请人: 南京林业大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于改进Yolov5s模型的苹果叶片病害检测方法,其特征在于:包括以下步骤:S1:获取苹果叶片不同病害的图像,进行标签标注,构建初始数据集;

S2:采用图像处理方法扩充数据集,并划分训练集和测试集,得到最终的数据集;

S3:引入Yolov5s模型并加以改进,使用改进后的模型对数据集进行训练得到最终的苹果叶片病害检测模型;

在Yolov5s模型的Neck结构的特征金字塔基础上,添加FEM,同时在Yolov5s模型的Backbone结构中的CSP结构后添加CA注意力模块,实现增强网络学习特征的表达能力,提高网络训练模型的平均精度均值;CA注意力模块实现过程如下:CA注意力模块为了获取图像宽度和高度上的注意力并对精确位置信息进行编码,先对输入特征图的宽度和高度两个方向进行全局平均池化,得到两个方向的特征图,公式如下:其中,W是输入特征图的宽度,H是输入特征图的高度,xc表示第c个通道处的输入,h表示处于特征图的h高度处,xc(h,i)表示在h高度处将宽度W分成W等分第i个等分处的输入,xc(j,w)表示在w宽度处将高度H分成H等分第j个等分处的输入;

接着将获得全局感受野的宽度和高度两个方向的特征图拼接在一起,然后将其送入共享的卷积核为1×1的卷积模块,将维度降为原来的C/r,之后将经过批归一化处理后的特征图f送入Sigmoid激活函数得到特征图F,公式如下:其中,δ表示Sigmoid激活函数,激活函数的公式如下:

接着将特征图F按照原来的高度和宽度进行卷积核为1×1的卷积分别得到通道数和原h来一样的fh和fw,经过Sigmoid激活函数分别得到特征图在高度和宽度上的注意力权重ωw和ω,公式如下:

h h

ω=δ(fh(F))

w w

ω=δ(fw(F))

h w

其中,F 和F分别是特征图F在高度和宽度方向上的分量,fh和fw分别是特征图F两个分量经过1×1卷积后的特征图;

最后在原始特征图上通过乘法计算,最终得到在宽度和高度方向上带有注意力权重的特征图,公式如下:其中,xc(m,n)是原始特征图, 和 分别是高度和宽度方向带有注意力权重的特征图;

S4:利用最终的苹果叶片病害检测模型对待检测图像进行检测,得到检测结果。

2.根据权利要求1所述的基于改进Yolov5s模型的苹果叶片病害检测方法,其特征在于:步骤S1中,苹果叶片的常见病害包括链格孢菌病、褐斑病、灰斑病、花叶病和锈病,对不同病害图像进行标签标注。

3.根据权利要求1所述的基于改进Yolov5s模型的苹果叶片病害检测方法,其特征在于:步骤S2中,对图像进行仿射变换、过滤、平移、旋转方法处理,将数据集扩充,来增加数据集的丰富性,防止模型过拟合。

4.根据权利要求1所述的基于改进Yolov5s模型的苹果叶片病害检测方法,其特征在于:FEM包括两个部分,分别为多分支卷积层和平均池化层,所述多分支卷积层包括扩张卷积层、BN层以及激活层,通过扩张卷积的方法给输入特征图提供不同的感受野;所述平均池化层融合每个支路感受野的交通信息,提高多尺度精度检测。

5.根据权利要求1所述的基于改进Yolov5s模型的苹果叶片病害检测方法,其特征在于:步骤S5中,对待检测图像进行预处理,判断图像是否为晴天或雨天拍摄,若为雨天拍摄,则对图像进行雨点降噪处理;若为晴天拍摄,则直接使用网络模型进行检测,得到最终的检测结果。

6.根据权利要求1所述的基于改进Yolov5s模型的苹果叶片病害检测方法,其特征在于:判断图像是否为晴天拍摄的过程如下:S51:根据晴天和雨天时叶片表面纹理有所差异,通过提取纹理特征并进行特征匹配的方法来判断图像是否为晴天拍摄;

S52:输入待检测图像,对检测图像进行灰度和二值化处理,然后提取叶片表面特征点,并将提取的关键点向量化,把提取的局部特征作为观测图;

S53:对模版图和观测图进行相似度量。

7.根据权利要求6所述的基于改进Yolov5s模型的苹果叶片病害检测方法,其特征在于:设置阈值threshold,d(Mij,Rij)表示相似度量值,当相似度量值满足d(Mij,Rij)<threshold时,可以判断为待检测图像为晴天拍摄,直接使用检测模型进行病害检测;如果不满足判断条件,则拍摄图像为雨天拍摄,采用Attentive GAN算法对图像进行降噪处理。