申请/专利权人：扬州大学

申请日：2022-05-05

公开（公告）日：2024-04-09

公开（公告）号：CN114972208B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/82;G06V10/774;G06V10/776;G06V10/764;G06V10/766;G06N3/045;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.09.16#实质审查的生效;2022.08.30#公开

摘要：本发明提供了一种基于YOLOv4的轻量化小麦赤霉病检测方法，属于图像识别与植物保护领域。该技术方案的主要要点包括：采集小麦病害图像，统一大小为750*750像素，并利用标注工具进行标注；然后输入到本发明设计的基于YOLOv4的轻量化架构进行训练，训练完毕后可以根据输入的小麦病害图像进行检测。所述目标检测模型通过对YOLOv4算法中的CSPDarknet53主干特征提取网络替换为Mobilenet网络，并在特征加强提取网络中加入注意力机制，更加专注于图像中的小麦病害，提高检测的准确率。本发明中小麦赤霉病检测的参数量得到大大简化，能够满足移动端和实时性的要求，拥有更快的检测速度。

主权项：1.一种基于YOLOv4的轻量化小麦赤霉病检测方法，其特征在于，包括以下步骤：步骤1，采集小麦赤霉病病害图像数据，统一像素大小，并使用Labelimg软件对所述小麦赤霉病病害图像中的赤霉病进行标注；步骤2，基于步骤1中标注后的图像进行数据增强以扩充数据集，按比例进行划分为训练集、验证集以及测试集；步骤3，构建基于YOLOv4的轻量化小麦赤霉病病害检测模型，包括依次连接的用于特征提取的Backbone网络、用于特征加强提取的Neck网络和用于预测的Output网络；其中，所述Backbone网络的主干特征提取网络为Mobilenet，Neck网络为加强特征提取网络PANet与特征金字塔FPN相结合的网络结构，主干特征提取网络提取有效特征层输入加强特征提取网络PANet进行进一步的特征提取，并在特征加强提取网络中添加注意力机制，使模型更加注重于小麦病害图像中的赤霉病，金字塔FPN结构使得特征得到深度融合，最后通过Output网络输出预测结果，具体包括以下步骤：步骤3.1，将图片数据输入Backbone网络依次进行预处理和深度可分离卷积，以提取得到三个不同形状大小的特征层，分别为第一、第二、第三特征层；步骤3.2，将提取到的第一、第二特征层输入至Neck网络中的主干特征提取网络中进行初步特征提取，将提取到的第三特征层输入至SPP模块最大池化，进行多尺度融合，得到有效特征层；步骤3.3，将有效特征层结合第一、第二特征层输入到Neck网络中的加强特征提取网络PANet进行进一步特征提取，并利用Output网络中的YoloHead进行回归和分类；步骤4，将训练集和验证集输入步骤3的检测模型中进行训练，待模型停止收敛时保存训练好的模型，即生成小麦赤霉病病害检测模型；步骤5，将测试集输入到步骤4中训练好的模型进行测试，验证模型是否拟合，符合要求则进入步骤6，否则返回步骤1；步骤6，获取待识别的小麦病害图像，预处理后输入到验证后的小麦赤霉病病害检测模型，预测小麦赤霉病病害检测的准确度。

全文数据：

权利要求：

百度查询： 扬州大学 一种基于YOLOv4的轻量化小麦赤霉病检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD