【技術實現步驟摘要】
本申請涉及目標檢測，尤其涉及葉部病害檢測方法、裝置和存儲介質。
技術介紹
1、隨著全球農業生產的智能化趨勢發展，蘋果種植中的病害檢測成為提升產量和質量的重要環節。蘋果葉部病害對果樹的生長和產量有著重大影響，及時、準確地檢測和識別這些病害有助于農戶采取有效的防治措施。然而，傳統的病害檢測方法往往依賴于人工觀察，不僅效率低下，且容易受主觀因素的影響。因此，研究并開發一種自動化、智能化的蘋果葉部病害檢測方法成為農業技術中的關鍵需求。
2、目前，基于深度學習的目標檢測技術，如yolo(you?only?look?once)系列模型，已經在許多復雜場景下的目標識別任務中得到廣泛應用。yolov7是yolo模型的改進版本，其網絡結構包括輸入層、骨干網絡、頸部網絡和多尺度檢測頭層，通過這些層次的結合能夠處理和識別復雜背景下的目標。然而，蘋果葉部病害作為一種小目標檢測任務，存在特征信息少、定位精度要求高、周圍環境變化復雜等問題，對yolov7的檢測精度提出了較高的要求。
3、盡管yolov7在處理目標檢測任務時展現出一定的優勢，但在復雜自然環境下，特別是對于蘋果葉部這樣的小目標檢測，其檢測精度依然存在不足。yolov7原有的完全交并比(ciou，complete?intersection?over?union)損失函數在小目標檢測方面敏感度較低，容易出現錯檢漏檢的情況，此外，復雜的自然背景也會干擾病害特征的提取，影響檢測結果的可靠性。因此，如何對蘋果葉部病害進行準確檢測成為亟待解決的問題。
4、上述內容僅用于
技術實現思路
1、本申請目的在于提供一種葉部病害檢測方法、裝置和存儲介質，旨在解決如何對蘋果葉部病害進行準確檢測的技術問題。
2、為實現上述目的，本申請提出一種葉部病害檢測方法，所述方法包括：
3、獲取待檢測圖像；
4、將所述待檢測圖像輸入目標葉部病害檢測模型中，得到檢測結果，所述目標葉部病害檢測模型是引入simam無參注意力機制和pconv卷積對初始葉部病害檢測模型進行改進得到的；
5、根據所述檢測結果輸出葉部病害信息。
6、在一實施例中，所述初始葉部病害檢測模型包括初始主干網絡和初始頸部網絡，所述初始主干網絡包括擴展局部注意力網絡層，所述初始頸部網絡包括sppcspc結構，所述目標葉部病害檢測模型包括主干網絡和頸部網絡；
7、所述主干網絡是使用輕量級擴展局部注意力網絡層和輕量級混合注意力機制網絡層對所述初始主干網絡進行改進得到的；
8、所述頸部網絡是使用sppcspc-無參注意力機制結構對所述初始頸部網絡進行改進得到的；
9、所述輕量級擴展局部注意力網絡層、所述輕量級混合注意力機制網絡層以及所述sppcspc-無參注意力機制結構是根據所述pconv卷積和所述simam無參注意力機制對所述擴展局部注意力網絡層和所述sppcspc結構進行改進得到的。
10、在一實施例中，所述輕量級擴展局部注意力網絡層是使用所述pconv卷積替換所述擴展局部注意力網絡層中的卷積塊結構得到的；
11、所述輕量級混合注意力機制網絡層是在所述輕量級擴展局部注意力網絡層中引入所述simam無參注意力機制得到的；
12、所述sppcspc-無參注意力機制結構是在所述sppcspc結構中引入所述simam無參注意力機制得到的。
13、在一實施例中，所述將所述待檢測圖像輸入目標葉部病害檢測模型中，得到檢測結果的步驟包括：
14、通過所述目標葉部病害檢測模型將待檢測圖像調整到預設尺寸，得到目標待檢測圖像；
15、通過所述目標葉部病害檢測模型對所述目標待檢測圖像進行特征提取，得到多尺度特征圖；
16、通過所述目標葉部病害檢測模型對所述多尺度特征圖進行特征映射、上采樣、下采樣以及橫向連接，得到融合特征圖；
17、通過所述目標葉部病害檢測模型對所述融合特征圖進行解碼和分類，得到包含葉部病害所在位置和類別信息的檢測結果。
18、在一實施例中，所述將所述待檢測圖像輸入目標葉部病害檢測模型中，得到檢測結果的步驟之前，還包括：
19、獲取目標葉部數據集，并將所述目標葉部數據集劃分為訓練集和測試集；
20、使用所述訓練集和所述測試集對初始葉部病害檢測模型進行訓練和測試，得到目標葉部病害檢測模型。
21、在一實施例中，所述使用所述訓練集和所述測試集對初始葉部病害檢測模型進行訓練和測試，得到目標葉部病害檢測模型的步驟包括：
22、使用所述訓練集對所述初始葉部病害檢測模型進行訓練，得到參考檢測模型；
23、使用所述測試集對所述參考檢測模型進行測試，得到測試結果；
24、當所述測試結果不滿足預設要求的情況下，返回所述使用所述訓練集對所述參考檢測模型進行訓練的步驟，直至所述測試結果滿足所述預設要求，得到目標葉部病害檢測模型。
25、在一實施例中，所述初始葉部病害檢測模型中的損失函數包括完全交并比損失、類別損失以及置信度損失，所述使用所述訓練集對所述初始葉部病害檢測模型進行訓練，得到參考檢測模型的步驟包括：
26、引入均值距離先驗交并比損失替換所述完全交并比損失；
27、根據所述均值距離先驗交并比損失、所述置信度損失以及所述類別損失得到總損失；
28、使用所述訓練集對所述初始葉部病害檢測模型進行訓練，直至所述總損失低于預設損失值，得到參考檢測模型。
29、在一實施例中，所述獲取目標葉部數據集的步驟包括：
30、獲取初始葉部數據集；
31、對所述初始葉部數據集中的圖片進行旋轉調節、亮度調節、對比度調節以及裁剪，得到增強數據集；
32、對所述增強數據集進行標注和分類，得到目標葉部數據集。
33、此外，為實現上述目的，本申請還提出一種葉部病害檢測裝置，所述裝置包括：
34、圖像獲取模塊，用于獲取待檢測圖像；
35、檢測模塊，用于將所述待檢測圖像輸入目標葉部病害檢測模型中，得到檢測結果，所述目標葉部病害檢測模型是引入simam無參注意力機制和pconv卷積對初始葉部病害檢測模型進行改進得到的；
36、結果輸出模塊，根據所述檢測結果輸出葉部病害信息。
37、此外，為實現上述目的，本申請還提出一種葉部病害檢測設備，所述設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現如上文所述的葉部病害檢測方法的步驟。
38、此外，為實現上述目的，本申請還提出一種存儲介質，所述存儲介質為計算機可讀存儲介質，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如上文所述的葉部病害檢測方法的步驟。
39、本本文檔來自技高網...
【技術保護點】
1.一種葉部病害檢測方法，其特征在于，所述方法包括：
2.如權利要求1所述的方法，其特征在于，所述初始葉部病害檢測模型包括初始主干網絡和初始頸部網絡，所述初始主干網絡包括擴展局部注意力網絡層，所述初始頸部網絡包括SPPCSPC結構，所述目標葉部病害檢測模型包括主干網絡和頸部網絡；
3.如權利要求2所述的方法，其特征在于，所述輕量級擴展局部注意力網絡層是使用所述PConv卷積替換所述擴展局部注意力網絡層中的卷積塊結構得到的；
4.如權利要求1所述的方法，其特征在于，所述將所述待檢測圖像輸入目標葉部病害檢測模型中，得到檢測結果的步驟包括：
5.如權利要求1所述的方法，其特征在于，所述將所述待檢測圖像輸入目標葉部病害檢測模型中，得到檢測結果的步驟之前，還包括：
6.如權利要求5所述的方法，其特征在于，所述使用所述訓練集和所述測試集對初始葉部病害檢測模型進行訓練和測試，得到目標葉部病害檢測模型的步驟包括：
7.如權利要求6所述的方法，其特征在于，所述初始葉部病害檢測模型中的損失函數包括完全交并比損失、類別損失以及置信
8.如權利要求5所述的方法，其特征在于，所述獲取目標葉部數據集的步驟包括：
9.一種葉部病害檢測裝置，其特征在于，所述裝置包括：
10.一種存儲介質，其特征在于，所述存儲介質為計算機可讀存儲介質，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至8中任一項所述的葉部病害檢測方法的步驟。
...【技術特征摘要】
1.一種葉部病害檢測方法，其特征在于，所述方法包括：
2.如權利要求1所述的方法，其特征在于，所述初始葉部病害檢測模型包括初始主干網絡和初始頸部網絡，所述初始主干網絡包括擴展局部注意力網絡層，所述初始頸部網絡包括sppcspc結構，所述目標葉部病害檢測模型包括主干網絡和頸部網絡；
3.如權利要求2所述的方法，其特征在于，所述輕量級擴展局部注意力網絡層是使用所述pconv卷積替換所述擴展局部注意力網絡層中的卷積塊結構得到的；
4.如權利要求1所述的方法，其特征在于，所述將所述待檢測圖像輸入目標葉部病害檢測模型中，得到檢測結果的步驟包括：
5.如權利要求1所述的方法，其特征在于，所述將所述待檢測圖像輸入目標葉部病害檢測模型中，得到檢測結果的步驟之前，還包括：
...【專利技術屬性】
技術研發人員：孫穎，郭峰林，辛悅悅，彭朱靜，
申請(專利權)人：武漢輕工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。