【技術實現步驟摘要】
本專利技術涉及蟲害檢測，尤其涉及一種基于yolov10的小麥葉片蟲害檢測方法。
技術介紹
1、目前，小麥病蟲害的檢測大多依賴于人工觀察和手動統計，這種方法不僅耗時耗力，而且由于人為判斷的主觀性，常常會出現誤診或漏診，影響小麥的生長和產量。隨著深度學習技術的飛速發展，基于圖像的自動化檢測方法為農業生產提供了新的解決方案。現有技術雖然已經在小麥病蟲害檢測領域有所應用，但仍存在以下不足：
2、數據集局限性：大多數小麥病害檢測方法使用的數據集來源單一，圖像視角單一，且場景大多為實驗室或固定田間環境。由于數據集缺乏多樣性，模型在應對復雜的田間環境如不同光照條件、葉片遮擋等時表現出較差的泛化能力，導致檢測準確性不高。
3、模型復雜性與計算開銷：現有yolov3、yolov4等模型雖然具有較好的檢測精度，但其復雜的模型結構導致計算開銷過大，難以高效地部署在邊緣設備如無人機、田間監控設備上，限制了實時性要求高的農業應用。
4、后處理依賴：現有的yolo模型使用非極大值抑制nms進行目標篩選，雖然這種方法能夠減少檢測冗余，但在目標密集的場景下如田間多葉片的復雜環境，會增加模型推理的延遲，降低檢測效率，不適合大規模田間的實時檢測。
技術實現思路
1、本專利技術的目的是提供一種基于yolov10的小麥葉片蟲害檢測方法，能夠改進數據處理和模型架構，提升檢測的精度和速度，解決現有技術中數據集局限性和模型優化不足的問題，從而提高小麥病蟲害識別的準確率，幫助農業生產者實時監控
2、為了實現上述目的，本專利技術所采用的技術方案是：一種基于yolov10的小麥葉片蟲害檢測方法，包括以下步驟：
3、步驟1、采集小麥葉片的圖片或視頻數據，對小麥葉片的圖片或視頻數據進行預處理；
4、步驟2、將步驟1得到的預處理小麥葉片的圖片或視頻數據作為訓練圖像進行模型訓練，模型架構選擇yolov10，去除非最大抑制nms并引入雙重分配策略，引入coordattention機制，引入半監督學習方法；在訓練過程中，加入數據增強策略；使用yolov10中的多任務損失函數對模型進行優化；
5、步驟3、將步驟2中訓練好的yolov10模型導出為適合部署的模型格式并加載到邊緣設備，實現實時推理；接收小麥圖像其進行預處理，并將其輸入到yolov10模型中，yolov10模型提取小麥葉片和穗部的特征，識別病蟲害區域并進行分類，在一幀圖像中同時檢測多個病蟲害目標，并返回每個目標的位置信息和病蟲害類別；
6、步驟4、yolov10模型輸出包括每個檢測到的病蟲害目標的位置信息和預測的病蟲害類別；同時，輸出置信度分數，用于表示yolov10模型對該病蟲害檢測結果的確信程度；在檢測后的圖像中，將檢測到的病害區域框選并標注病害類別及置信度；
7、步驟5、對檢測結果進行匯總，生成病害分布的熱力圖、趨勢分析報表；根據檢測結果推薦相關的防治措施。
8、優選的，所述步驟1中利用無人機搭載高分辨率攝像頭，定期在農田上空飛行，拍攝小麥田的圖片或視頻；采集數據覆蓋不同角度、光照和環境條件，確保數據多樣性，配合人工使用高分辨率設備直接拍攝地面小麥植株的圖像，尤其在病害初期或復雜場景下補充數據。
9、優選的，所述步驟1中對小麥葉片的圖片或視頻數據進行預處理包括圖像清理與去噪、裁剪與增強、圖像標注。
10、優選的，所述步驟2中yolov10采用了單階段檢測方法，在一次前向傳播中同時完成目標檢測與分類。
11、優選的，所述步驟2中數據增強策略包括：對訓練圖像隨機裁剪不同區域，模擬各種場景；通過調節對比度、亮度和飽和度，增強模型對不同光照條件的適應性；旋轉和鏡像翻轉圖像，提升模型對圖像中小麥的不同方向特征的感知能力。
12、優選的，所述步驟2中使用yolov10中的多任務損失函數對模型進行優化包括定位誤差、分類誤差和目標置信度誤差，優化過程通過adam或sgd優化器進行梯度更新。
13、優選的，所述yolov10模型通過邊緣計算定期獲取新數據，并結合云端進行模型更新，以保證模型適應不同的農田環境；所述yolov10模型結合用戶反饋的數據，進行持續的半監督學習和模型微調，逐漸優化模型的檢測精度。
14、本專利技術的有益效果是：
15、本方案與現有技術相比具備以下優點：
16、1、檢測精度高：改進后的yolov10模型通過引入coordattention機制，顯著提升了病蟲害檢測的準確性，尤其是在小麥黃銹病的檢測中，模型的精度超過了90%。
17、2、推理速度快：模型通過去除nms，優化了推理流程，每張圖像的推理速度達到0.8毫秒，極大提升了實時檢測的效率，適合部署在邊緣設備中。
18、3、泛化能力強：結合多種數據集進行訓練，模型在不同田間環境下均表現良好，能夠處理不同光照、角度、遮擋等復雜場景，提高了在實際生產中的適用性。
19、4、節約計算資源：模型的優化使其在推理時計算資源消耗更低，適合低功耗設備的部署，特別是在無人機和遠程監控設備上的應用。
本文檔來自技高網...【技術保護點】
1.一種基于YOLOv10的小麥葉片蟲害檢測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于YOLOv10的小麥葉片蟲害檢測方法，其特征在于：所述步驟1中利用無人機搭載高分辨率攝像頭，定期在農田上空飛行，拍攝小麥田的圖片或視頻；采集數據覆蓋不同角度、光照和環境條件，確保數據多樣性，配合人工使用高分辨率設備直接拍攝地面小麥植株的圖像，尤其在病害初期或復雜場景下補充數據。
3.根據權利要求1所述的一種基于YOLOv10的小麥葉片蟲害檢測方法，其特征在于：所述步驟1中對小麥葉片的圖片或視頻數據進行預處理包括圖像清理與去噪、裁剪與增強、圖像標注。
4.根據權利要求1所述的一種基于YOLOv10的小麥葉片蟲害檢測方法，其特征在于：所述步驟2中YOLOv10采用了單階段檢測方法，在一次前向傳播中同時完成目標檢測與分類。
5.根據權利要求1所述的一種基于YOLOv10的小麥葉片蟲害檢測方法，其特征在于：所述步驟2中數據增強策略包括：對訓練圖像隨機裁剪不同區域，模擬各種場景；通過調節對比度、亮度和飽和度，增強模型對不同光照條件的適
6.根據權利要求1所述的一種基于YOLOv10的小麥葉片蟲害檢測方法，其特征在于：所述步驟2中使用YOLOv10中的多任務損失函數對模型進行優化包括定位誤差、分類誤差和目標置信度誤差，優化過程通過Adam或SGD優化器進行梯度更新。
7.根據權利要求1所述的一種基于YOLOv10的小麥葉片蟲害檢測方法，其特征在于：所述YOLOv10模型通過邊緣計算定期獲取新數據，并結合云端進行模型更新，以保證模型適應不同的農田環境；所述YOLOv10模型結合用戶反饋的數據，進行持續的半監督學習和模型微調，逐漸優化模型的檢測精度。
...【技術特征摘要】
1.一種基于yolov10的小麥葉片蟲害檢測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于yolov10的小麥葉片蟲害檢測方法，其特征在于：所述步驟1中利用無人機搭載高分辨率攝像頭，定期在農田上空飛行，拍攝小麥田的圖片或視頻；采集數據覆蓋不同角度、光照和環境條件，確保數據多樣性，配合人工使用高分辨率設備直接拍攝地面小麥植株的圖像，尤其在病害初期或復雜場景下補充數據。
3.根據權利要求1所述的一種基于yolov10的小麥葉片蟲害檢測方法，其特征在于：所述步驟1中對小麥葉片的圖片或視頻數據進行預處理包括圖像清理與去噪、裁剪與增強、圖像標注。
4.根據權利要求1所述的一種基于yolov10的小麥葉片蟲害檢測方法，其特征在于：所述步驟2中yolov10采用了單階段檢測方法，在一次前向傳播中同時完成目標檢測與分類。
5.根據權利要求1所述...
【專利技術屬性】
技術研發人員：宋曉莉，王江，王玉猛，王珂，趙鵬程，
申請(專利權)人：河南科技大學，
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。