【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及農(nóng)作物病害的識別，具體涉及玉米葉片相似性病害的分類識別方法。
技術(shù)介紹
1、常見的玉米葉片病害有大斑病、小斑病、彎孢菌葉斑病、灰斑病等多種病害，但不同時期、不同類別病害特征非常相似，例如：大斑病初期呈現(xiàn)水漬青灰色斑點，隨后病斑擴展，邊緣呈暗褐色、中央淡褐色或灰色的梭形大斑，病害嚴重時，病斑相互連片，形成大片枯斑，而小斑病、褐斑病初期也為水浸狀，特征極為相似，之后小斑病病斑變成橢圓形或圓形，顏色加深，為黃褐色或紅褐色，邊緣明顯，嚴重時病斑融合變大，中后期的小斑病又與彎孢菌葉斑病極為相似；對于灰斑病的初期，生長橢圓形病斑，灰色至淺褐色，無明顯邊緣，此時與大斑病未形成明顯梭形時期類似，隨后灰斑病病斑邊緣擴展為矩形，后期病斑邊緣呈現(xiàn)褐色，中間灰色，此時，屬于灰斑病的特征才足夠明顯，又會與小斑病后期有類似特征，灰斑病嚴重時病斑也會融合成片，導(dǎo)致葉片枯死。
2、對于玉米葉片銹病，由于南方銹病高發(fā)，且發(fā)病嚴重，人們常說的“銹病”，大多指南方銹病。但實際上銹病細分為南方銹病與普通銹病，人們種植中卻未實際區(qū)分兩種銹病。但是兩類不同的銹病在不同時期具有不同的病害特征：南方銹病早期出現(xiàn)皰疹狀隆起，之后表皮破裂，散出黃色到橙色的粉末，后期病斑密集，葉片布滿孢子堆，普通銹病會從葉片散生或聚生不明顯的淡黃色小點，到之后病斑凸起，周圍表皮翻起，散出鐵銹色粉末，后期病斑生出黑褐色粉末且葉片兩面均會生長，相對不受葉脈分隔限制，二者生長過程中，葉片均會出現(xiàn)粉末狀特征，若根據(jù)是否出現(xiàn)雙面粉末狀特征或病斑密集程度區(qū)分二者，極大程度上需要到病害
3、由此可見，由于玉米葉片中存在大量相似性病斑，且田間環(huán)境復(fù)雜，玉米葉片病害種類繁多，不同時期表現(xiàn)特征相似，病害的發(fā)生隨著時間推移，病斑的特征愈加接近，使得具體識別病害類別更加困難，因此準(zhǔn)確識別玉米病害，尤其是相似病害，對病害的精準(zhǔn)防治有著重要意義。
4、傳統(tǒng)玉米葉片病害分類判斷主要依靠專家專業(yè)知識、農(nóng)民依賴長期的勞作經(jīng)驗直接觀察，但是由于玉米葉片病害種類繁多，不同病害特征相似，直接人工識別病害類別容易出現(xiàn)差錯，且判斷具有一定的主觀性。隨著機器學(xué)習(xí)的發(fā)展，玉米葉片病害分類識別逐漸結(jié)合與機器學(xué)習(xí)相關(guān)的分類方法。基于機器學(xué)習(xí)的分類方法能夠有效實現(xiàn)作物病害的分類，且分類精度較高，但是基于機器學(xué)習(xí)方法進行作物病害分類時，需要通過人工提取特征輸入分類器訓(xùn)練模型，過程復(fù)雜。因此，使用機器學(xué)習(xí)對玉米葉片相似病害進行分類仍存在一些缺陷。所以，深度學(xué)習(xí)也不斷被應(yīng)用到農(nóng)業(yè)領(lǐng)域，深度學(xué)習(xí)打破傳統(tǒng)方法以及機器學(xué)習(xí)方法的局限，可以自動地從大量數(shù)據(jù)中學(xué)習(xí)到復(fù)雜圖像的特征表示，處理高維度數(shù)據(jù)的非線性關(guān)系，從而訓(xùn)練出高效、準(zhǔn)確的模型來解決復(fù)雜的圖像分類問題。然而，以上對于玉米葉片病害的識別研究大多基于公共數(shù)據(jù)集，公共數(shù)據(jù)集主要針對大斑病、灰斑病、銹病幾類常見的玉米葉片病害，對于不同相似性病害之間的分類以及不同時期的相似病害的分類研究相對較少。
5、鑒于以上，本申請針對玉米斑病(大斑病、小斑病、灰斑病)與銹病(南方銹病、普通銹病)兩大類病害，開展其相似性病害的分類識別研究，提供一種農(nóng)作物病害的輕量化識別方法用于解決上述問題。
技術(shù)實現(xiàn)思路
1、針對上述情況，為克服現(xiàn)有技術(shù)之缺陷，本專利技術(shù)提供一種農(nóng)作物病害的輕量化識別方法，本專利技術(shù)以玉米葉片的斑病(大斑病、小斑病、灰斑病)、銹病(南方銹病、普通銹病)兩大類相似病害為研究對象，將每類病害劃分為初期、中期、末期三個時期。使用yolov8分類模型及其改進模型對玉米葉片相似病害進行分類識別研究，旨在提高相似病害分類準(zhǔn)確率。
2、一種農(nóng)作物病害的輕量化識別方法，其特征在于，包括以下步驟：
3、s1：將獲取的玉米斑病與銹病圖像數(shù)據(jù)集均使用離線數(shù)據(jù)增強方式結(jié)合randaugment在線數(shù)據(jù)增強方式擴充圖像數(shù)據(jù)集；
4、s2：使用一種卷積核具有任意形狀與任意參數(shù)數(shù)量的卷積結(jié)構(gòu)akconv替換yolov8分類模型中的標(biāo)準(zhǔn)conv結(jié)構(gòu)；
5、s3：通過使用compute_class_weight函數(shù)計算銹病各類不均衡樣本權(quán)重，為銹病不同類別的損失函數(shù)賦予一定權(quán)重，使其增加對少樣本類別的關(guān)注；
6、s4：最后，為提高模型識別的準(zhǔn)確率，在基于可變核卷積結(jié)構(gòu)的yolov8分類模型基礎(chǔ)上在最后一個可變核卷積結(jié)束位置加入輕量化注意力機制shuffle?attention簡稱sa，結(jié)合空間與通道信息，旨在提高模型分類準(zhǔn)確率，同時盡量保持模型輕量化。
7、上述技術(shù)方案有益效果在于：
8、(1)本研究驗證了所提出的一種農(nóng)作物病害的輕量化識別方法，能夠較好分類出相似病害所屬類別及對應(yīng)時期，因此可以將其應(yīng)用到實際玉米葉片相似病害不同時期的分類中，識別病害所屬類別并輔助判斷病害所屬時期，有助于針對現(xiàn)有病害的發(fā)生及時采取合理且準(zhǔn)確的應(yīng)對措施。
9、(2)使用akconv結(jié)構(gòu)替換yolov8s-cls中的標(biāo)準(zhǔn)卷積結(jié)構(gòu)，使用單位參數(shù)量下的分類準(zhǔn)確率進一步評估，最終斑病、銹病單位參數(shù)量下的模型分類準(zhǔn)確率均有提升；
10、(2)針對銹病不均衡樣本類別應(yīng)用代價敏感學(xué)習(xí)的方法，使用加權(quán)損失函數(shù)增加模型對少樣本類別的關(guān)注，加權(quán)前后模型整體參數(shù)量無變化，準(zhǔn)確率提升，單位參數(shù)量下的分類準(zhǔn)確率升高；
11、(3)基于yolov8s-cls-akconv模型，對于銹病使用基于加權(quán)損失函數(shù)與akconv的模型，添加shuffleattention注意力機制進行分類，最終準(zhǔn)確率提高，單位參數(shù)量下的分類準(zhǔn)確率提升。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種農(nóng)作物病害的輕量化識別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種農(nóng)作物病害的輕量化識別方法，其特征在于，所述步驟S1中離線數(shù)據(jù)增強方式具體包括，平移、旋轉(zhuǎn)、縮放、添加高斯噪聲、椒鹽噪聲幾何變換和添加噪聲的方式先對原始數(shù)據(jù)集進行離線擴充，增加數(shù)據(jù)量。
3.根據(jù)權(quán)利要求1所述的一種農(nóng)作物病害的輕量化識別方法，其特征在于，所述步驟S1中randaugment在線數(shù)據(jù)增強方式具體包括，馬賽克增強、混合增強、隨機擾動以及顏色擾動數(shù)據(jù)增強方法，其中的馬賽克增強可在最后10個epoch中關(guān)閉，保證模型達到較好的訓(xùn)練效果。
4.根據(jù)權(quán)利要求1所述的一種農(nóng)作物病害的輕量化識別方法，其特征在于，所述步驟S2中AKConv替換YOLOv8分類模型中的標(biāo)準(zhǔn)Conv結(jié)構(gòu)的具體過程包括，對YOLOv8s-cls模型的第0層卷積結(jié)構(gòu)不作替換，保持原始3×3標(biāo)準(zhǔn)卷積結(jié)構(gòu)，使用四個不同的kernel_size，分別為3、5、6、9，其中4個標(biāo)準(zhǔn)卷積位置1、3、5、7四個位置，按照如下方式進行卷積結(jié)構(gòu)的替換：第1層，第1、3層，第1、3、5層，第1、3
5.根據(jù)權(quán)利要求4所述的一種農(nóng)作物病害的輕量化識別方法，其特征在于，所述步驟S3的具體過程包括，對銹病的研究使用代價敏感學(xué)習(xí)方法，在使用AKConv改進后的模型即YOLOv8s-cls-AKconv中對損失函數(shù)不同類別進行加權(quán)，通過使用scikit庫的compute_class_weight函數(shù)指定balanced自動計算不同類別權(quán)重，少數(shù)類權(quán)重更高，多數(shù)類權(quán)重低，權(quán)重計算如公式(1)所示：
6.根據(jù)權(quán)利要求4所述的一種農(nóng)作物病害的輕量化識別方法，其特征在于，所述S4的過程包括，結(jié)合YOLOv8s-cls-AKconv模型結(jié)構(gòu)及C2f的跨層連接結(jié)構(gòu)，在最后一個C2f模塊之前添加所述輕量化注意力機制SA。
...【技術(shù)特征摘要】
1.一種農(nóng)作物病害的輕量化識別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種農(nóng)作物病害的輕量化識別方法，其特征在于，所述步驟s1中離線數(shù)據(jù)增強方式具體包括，平移、旋轉(zhuǎn)、縮放、添加高斯噪聲、椒鹽噪聲幾何變換和添加噪聲的方式先對原始數(shù)據(jù)集進行離線擴充，增加數(shù)據(jù)量。
3.根據(jù)權(quán)利要求1所述的一種農(nóng)作物病害的輕量化識別方法，其特征在于，所述步驟s1中randaugment在線數(shù)據(jù)增強方式具體包括，馬賽克增強、混合增強、隨機擾動以及顏色擾動數(shù)據(jù)增強方法，其中的馬賽克增強可在最后10個epoch中關(guān)閉，保證模型達到較好的訓(xùn)練效果。
4.根據(jù)權(quán)利要求1所述的一種農(nóng)作物病害的輕量化識別方法，其特征在于，所述步驟s2中akconv替換yolov8分類模型中的標(biāo)準(zhǔn)conv結(jié)構(gòu)的具體過程包括，對yolov8s-cls模型的第0層卷積結(jié)構(gòu)不作替換，保持原始3×3標(biāo)準(zhǔn)卷積結(jié)構(gòu)，使用四個不同的kernel_size，分別...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：董萍，郭偉，陳志華，王健，李飛濤，時雷，張慧，高瑞，
申請(專利權(quán))人：河南農(nóng)業(yè)大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。