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: 2023110798996
申请人: 仲恺农业工程学院
专利类型:发明专利
专利状态:已下证
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:

1.一种番茄植株病虫害检测方法,其特征在于,包括如下步骤:

S1、在YOLOv7的基础上,减少YOLOv7模型中的通道数量,并将YOLOv7骨干网络中的Conv模块替换为XSepConv模块,得到YOLOv7-XSepConv模型作为目标检测模型;

S2、收集带有不同种类病虫害的番茄植株图片,组成训练数据集,设置参数,对目标检测模型进行训练,直至模型收敛并保存模型参数;

S3、待检测图片经预处理后输入训练好的目标检测模型中,得到检测结果,实现对病虫害的识别和分类;

所述XSepConv模块包括依次连接的:1×1扩展卷积,用于将输入通道数扩展到更高的维度;批归一化、激活函数;2×2DW卷积,用于在组内的通道之间执行卷积操作;批归一化、激活函数;1×K DW卷积,在通道维度上执行卷积操作,并且在空间维度上具有步幅;批归一化、激活函数;K×1DW卷积,在通道维度上执行卷积操作,并且在空间维度上有不同的卷积核大小;批归一化;SE模块,用于通道维度上的特征重标定;1×1输出卷积,用于将特征映射的通道数减少到所需的输出尺寸;批归一化;

所述XSepConv模块中的K=3,所述YOLOv7-XSepConv模型的骨干网络包括41个轻量卷积块XSepConv;

所述YOLOv7-XSepConv模型骨干网络的通道数量为常规YOLOv7模型中骨干网络通道数量的一半;

所述S3步骤中的待检测图片为拍摄图片经裁剪和旋转得到的;

S2步骤中番茄植株图片中病虫害的种类包括冷害、虫病、早疫病、裂果、TY病毒、缺钾和白粉病。

2.根据权利要求1所述的一种番茄植株病虫害检测方法,其特征在于,每个所述卷积块XSepConv结构如下:

第1个轻量卷积块XSepConv1:1×1扩展卷积的输入通道数为3,输出通道数为16;DW卷积、SE模块、1×1输出卷积的输入通道数均为16,输出通道数均为16;批归一化的通道数为16,激活函数层为复斜率为0.1的LeakyReLU函数;

第2个轻量卷积块XSepConv2:1×1扩展卷积的输入通道数为16,输出通道数为32;DW卷积、SE模块、1×1输出卷积的输入通道数均为32,输出通道数均为32;批归一化的通道数为32,激活函数层为复斜率为0.1的LeakyReLU函数;

第3个轻量卷积块XSepConv3:1×1扩展卷积的输入通道数为32,输出通道数为32;DW卷积、SE模块、1×1输出卷积的输入通道数均为32,输出通道数均为32;批归一化的通道数为32,激活函数层为复斜率为0.1的LeakyReLU函数;

第4个轻量卷积块XSepConv4:1×1扩展卷积的输入通道数为32,输出通道数为64;DW卷积、SE模块、1×1输出卷积的输入通道数均为64,输出通道数均为64;批归一化的通道数为64,激活函数层为复斜率为0.1的LeakyReLU函数;

第5个轻量卷积块XSepConv5、第6个轻量卷积块XSepConv6均为:1×1扩展卷积的输入通道数为64,输出通道数为32;DW卷积、SE模块、1×1输出卷积的输入通道数均为32,输出通道数均为32;批归一化的通道数为32,激活函数层为复斜率为0.1的LeakyReLU函数;

第7个轻量卷积块XSepConv7、第8个轻量卷积块XSepConv8、第9个轻量卷积块XSepConv9、第10个轻量卷积块XSepConv10均为:1×1扩展卷积的输入通道数为32,输出通道数为32;DW卷积、SE模块、1×1输出卷积的输入通道数均为32,输出通道数均为32;批归一化的通道数为32,激活函数层为复斜率为0.1的LeakyReLU函数;

第11个轻量卷积块XSepConv11:1×1扩展卷积的输入通道数为128,输出通道数为128;DW卷积、SE模块、1×1输出卷积的输入通道数均为128,输出通道数均为128;批归一化的通道数为128,激活函数层为复斜率为0.1的LeakyReLU函数;

第12个轻量卷积块XSepConv12、第13个轻量卷积块XSepConv13均为:1×1扩展卷积的输入通道数为128,输出通道数为64;DW卷积、SE模块、1×1输出卷积的输入通道数均为64,输出通道数均为64;批归一化的通道数为64,激活函数层为复斜率为0.1的LeakyReLU函数;

第14个轻量卷积块XSepConv14:1×1扩展卷积的输入通道数为64,输出通道数为64;DW卷积、SE模块、1×1输出卷积的输入通道数均为64,输出通道数均为64;批归一化的通道数为64,激活函数层为复斜率为0.1的LeakyReLU函数;

第15个轻量卷积块XSepConv15、第16个轻量卷积块XSepConv16均为:1×1扩展卷积的输入通道数为128,输出通道数为64;DW卷积、SE模块、1×1输出卷积的输入通道数均为64,输出通道数均为64;批归一化的通道数为64,激活函数层为复斜率为0.1的LeakyReLU函数;

第17个轻量卷积块XSepConv17、第18个轻量卷积块XSepConv18、第19个轻量卷积块XSepConv19、第20个轻量卷积块XSepConv20均为:1×1扩展卷积的输入通道数为64,输出通道数为64;DW卷积、SE模块、1×1输出卷积的输入通道数均为64,输出通道数均为64;批归一化的通道数为64,激活函数层为复斜率为0.1的LeakyReLU函数;

第21个轻量卷积块XSepConv21:1×1扩展卷积的输入通道数为256,输出通道数为256;DW卷积、SE模块、1×1输出卷积的输入通道数均为256,输出通道数均为256;批归一化的通道数为256,激活函数层为复斜率为0.1的LeakyReLU函数;

第22个轻量卷积块XSepConv22、第23个轻量卷积块XSepConv23均为:1×1扩展卷积的输入通道数为256,输出通道数为128;DW卷积、SE模块、1×1输出卷积的输入通道数均为128,输出通道数均为128;批归一化的通道数为128,激活函数层为复斜率为0.1的LeakyReLU函数;

第24个轻量卷积块XSepConv24:1×1扩展卷积的输入通道数为128,输出通道数为128;DW卷积、SE模块、1×1输出卷积的输入通道数均为128,输出通道数均为128;批归一化的通道数为128,激活函数层为复斜率为0.1的LeakyReLU函数;

第25个轻量卷积块XSepConv25、第26个轻量卷积块XSepConv26均为:1×1扩展卷积的输入通道数为256,输出通道数为128;DW卷积、SE模块、1×1输出卷积的输入通道数均为128,输出通道数均为128;批归一化的通道数为128,激活函数层为复斜率为0.1的LeakyReLU函数;

第27个轻量卷积块XSepConv27、第28个轻量卷积块XSepConv28、第29个轻量卷积块XSepConv29、第30个轻量卷积块XSepConv30均为:1×1扩展卷积的输入通道数为128,输出通道数为128;DW卷积、SE模块、1×1输出卷积的输入通道数均为128,输出通道数均为128;批归一化的通道数为128,激活函数层为复斜率为0.1的LeakyReLU函数;

第31个轻量卷积块XSepConv31:1×1扩展卷积的输入通道数为512,输出通道数为512;DW卷积、SE模块、1×1输出卷积的输入通道数均为512,输出通道数均为512;批归一化的通道数为512,激活函数层为复斜率为0.1的LeakyReLU函数;

第32个轻量卷积块XSepConv32、第33个轻量卷积块XSepConv33均为:1×1扩展卷积的输入通道数为512,输出通道数为256;DW卷积、SE模块、1×1输出卷积的输入通道数均为256,输出通道数均为256;批归一化的通道数为256,激活函数层为复斜率为0.1的LeakyReLU函数;

第34个轻量卷积块XSepConv34:1×1扩展卷积的输入通道数为256,输出通道数为256;DW卷积、SE模块、1×1输出卷积的输入通道数均为256,输出通道数均为256;批归一化的通道数为256,激活函数层为复斜率为0.1的LeakyReLU函数;

第35个轻量卷积块XSepConv35、第36个轻量卷积块XSepConv36均为:1×1扩展卷积的输入通道数为512,输出通道数为128;DW卷积、SE模块、1×1输出卷积的输入通道数均为128,输出通道数均为128;批归一化的通道数为128,激活函数层为复斜率为0.1的LeakyReLU函数;

第37个轻量卷积块XSepConv37、第38个轻量卷积块XSepConv38、第39个轻量卷积块XSepConv39、第40个轻量卷积块XSepConv40均为:1×1扩展卷积的输入通道数为128,输出通道数为128;DW卷积、SE模块、1×1输出卷积的输入通道数均为128,输出通道数均为128;批归一化的通道数为128,激活函数层为复斜率为0.1的LeakyReLU函数;

第41个轻量卷积块XSepConv41:1×1扩展卷积的输入通道数为512,输出通道数为512;DW卷积、SE模块、1×1输出卷积的输入通道数均为512,输出通道数均为512;批归一化的通道数为512,激活函数层为复斜率为0.1的LeakyReLU函数。

3.根据权利要求1所述的一种番茄植株病虫害检测方法,其特征在于,所述S3步骤中图片预处理的步骤包括:图像去噪、图像增强、图像分割、图像灰度化、图像归一化和图像二值化;

所述图像增强采用直方图均衡化或滤波技术,所述图像分割采用颜色分割或阈值分割技术将图像中的番茄植株与背景分离开来,所述图像归一化用于将图像进行尺寸统一处理。

4.根据权利要求1所述的一种番茄植株病虫害检测方法,其特征在于,所述S2步骤中模型训练时的学习率采用余弦退火自动调整学习率,初始值学习率设置为0.001,迭代次数设置为300。

5.一种番茄植株病虫害检测系统,用于实现如权利要求1至4任一项所述的番茄植株病虫害检测方法,其特征在于,包括:前端用户界面部分:用于待检测图片的拍摄、处理和上传,以及检测结果的展示和输出;

图像预处理部分:用于对上传的待检测图片进行预处理;

目标检测部分:基于目标检测模型算法对预处理后的待检测图片进行目标检测,实现对番茄植株病虫害的识别和分类;

数据库部分:用于存储检测结果数据;

所述前端用户界面部分配置在智能终端的应用程序上,图像预处理部分和目标检测部分配置在应用程序的后台服务器上。

6.根据权利要求5所述的一种番茄植株病虫害检测系统,其特征在于,所述智能终端为手机,所述应用程序为微信小程序。