申请/专利权人：华南农业大学

申请日：2022-03-25

公开（公告）日：2024-04-30

公开（公告）号：CN114898359B

主分类号：G06V20/68

分类号：G06V20/68;G06V10/80;G06V10/774;G06V10/764;G06V10/40;G06V10/32;G06V10/22;G06T7/00;G06T3/60;G06T3/40;G06N3/0464;G06T3/4053

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2022.10.14#著录事项变更;2022.08.30#实质审查的生效;2022.08.12#公开

摘要：本发明公开了一种基于改进EfficientDet的荔枝病虫害检测方法，针对实时场景下的图像复杂背景采用Mosaic数据增强方法，使模型学习更丰富的背景信息，且提升小目标的检测效果；采用更轻量化的改进骨干特征提取网络EfficientNetv2‑s，提升网络的训练速度；采用SPP模块进一步提取有用的特征信息；采用效果比BiFPN更好的纵向跨层特征融合网络PaFPN，提升模型的检测效果；采用CIoULoss提升模型的收敛速度和回归精度，采用DIoUnms非极大值抑制，减少对重叠目标的抑制。通过改进的EfficientDet目标检测模型，提供实时性更强，准确率更高的实时场景下荔枝病虫害的检测识别方法。

主权项：1.一种基于改进EfficientDet的荔枝病虫害检测方法，其特征在于，包括以下具体步骤：步骤1：获取原始荔枝病虫害图像并进行筛选；步骤2：对经过筛选的荔枝病虫害图像进行人工数据标注生成标注文件，根据荔枝病虫害图像和标注文件构建数据集；步骤3：根据预设批次图像数量分批获取数据集中的荔枝病虫害图像，将获取的荔枝病虫害图像变换为预设尺寸，再依次进行预处理增强和Mosaic增强，获得增强数据图像；步骤4：将所述增强数据图像和经过筛选的荔枝病虫害图像作为训练集输入模型中进行训练，获得训练后的改进EfficientDet检测模型；步骤41：将所述增强数据图像和经过筛选的荔枝病虫害图像输入到改进骨干特征提取网络进行特征提取，获得待融合特征图；所述改进骨干特征提取网络引入FusedMBConv卷积模块和MBConv卷积模块，并在网络末端增加SPP模块；步骤41中，改进骨干特征提取网络提取特征具体步骤如下：步骤411：所述增强数据图像和经过筛选的荔枝病虫害图像作为训练样本图像，对所述训练样本图像进行一次步长为2的卷积，再依次经过标准化和Swish激活函数，获得特征图像；步骤412：将所述特征图像输入浅层骨干网络中，使用不同参数和重复次数的FusedMBConv卷积模块提取特征，获得第一张待融合特征图；步骤413：将所述第一张待融合特征图输入深层骨干网络中，使用不同参数和重复次数的MBConv卷积模块进一步提取特征，获得第二张待融合特征图，并在深层骨干网络末端使用SPP模块对进一步提取的特征再进一步提取特征，获得第三张待融合特征图；步骤414：对第三张待融合特征图进行两次下采样，依次获得第四张待融合特征图和第五张待融合特征图；步骤42：将提取的所述待融合特征图经过PaFPN特征融合网络进行特征融合，获得融合特征；步骤43：将所述融合特征输入到检测器中，获得预测结果；步骤44：根据预测结果计算损失和梯度，更新权重，对预测结果进行非极大值抑制，获得改进EfficientDet检测模型；计算损失包括分类回归损失FocalLoss和边界框回归损失CIoULoss，并使用DIoUnms对预测结果进行非极大值抑制；步骤5：将采集的待检测实际场景图像输入所述改进EfficientDet检测模型中，获得检测结果。

全文数据：

权利要求：

百度查询： 华南农业大学 一种基于改进EfficientDet的荔枝病虫害检测方法

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