本發(fā)明屬于目標(biāo)檢測，尤其涉及一種基于yolo?v8的識別番茄葉片病害的方法。

背景技術(shù)：

1、番茄是世界第一大蔬菜作物，目前我國是世界上番茄產(chǎn)量最高的國家。番茄在生長的過程中，由于受到外界環(huán)境、氣候及土壤條件等因素的影響，容易發(fā)生多種病害，如早疫病、瘡痂病、花葉病毒病、黃化曲葉病等。

2、近年來，針對番茄葉片病害分類問題，國內(nèi)外學(xué)者也做了許多研究。徐凱宏等采用分治法進行中值計算，隨后用分水嶺算法提取番茄葉片病害特征，最終選擇形狀、顏色和紋理共13個特征，再輸入由遺傳算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)中進行分類，最終三種病害的識別準確率為92.5％、91.25％和95.5％，并且迭代的速度有所加快。fuentes等為了更快速準確地檢測番茄中病蟲害。將faster?r-cnn、r-fcn、ssd等模型作為基礎(chǔ)架構(gòu)，與vgg網(wǎng)絡(luò)等結(jié)合，構(gòu)造出融合系統(tǒng)，經(jīng)過實驗證明其系統(tǒng)能有效識別不同類型的病蟲害。牛學(xué)德等以10類番茄葉片為研究對象，提出一種dense?net網(wǎng)絡(luò)結(jié)合遷移學(xué)習(xí)的模型。該研究首先對圖片樣本進行尺寸修改及數(shù)量調(diào)整，然后使用dense?net網(wǎng)絡(luò)預(yù)先在imagenet數(shù)據(jù)集上進行訓(xùn)練，再將這次的訓(xùn)練內(nèi)容應(yīng)用到番茄葉片病害分類上，經(jīng)過再訓(xùn)練后得到番茄葉片病害分類模型，測試準確率達到了97.76％。趙艷芹]等使用ghost模塊和coordattention坐標(biāo)注意力機制作為主干網(wǎng)絡(luò)，替換yolo?v5中的主干網(wǎng)絡(luò)，同時將特征提取層進行二次卷積來增強其對于病害的識別，最后在10類不同的番茄病害葉片上進行測試，平均準確率達96.8％，且模型體積比yolo?v5模型小了17.1mb，表現(xiàn)十分出色。

3、雖然yolo系列模型已經(jīng)大大提高了檢測速度，保證了一定的模型精度，但在檢測被遮擋目標(biāo)或微小目標(biāo)時依然無法保持可觀的檢測精度。在原先的模型中加入注意力機制，是針對性地提升檢測精度的方法之一。

技術(shù)實現(xiàn)思路

1、為解決現(xiàn)有技術(shù)的缺點和不足，提供一種基于yolov8的輕量化識別番茄葉片病害模型，從而可解決現(xiàn)有檢測方法存在對番茄病害的檢測準確率低、推理速度慢、對復(fù)雜場景的適應(yīng)性及準確性差的問題。

2、一種基于yolo?v8的番茄葉片病害的檢測方法，包括以下步驟：

3、步驟s1、獲取番茄葉片病害圖片，所述番茄葉片病害具體包括：番茄晚疫病、番茄花葉病、番茄瘡痂病、番茄斑枯??；

4、步驟s2、對所述番茄葉片病害圖片進行病害標(biāo)注，構(gòu)建得到番茄葉片病害數(shù)據(jù)集；

5、步驟s3、對番茄葉片病害數(shù)據(jù)集進行預(yù)處理；

6、步驟s4，將yolo?v8中的backbone模塊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)替換為shufflenetv2；

7、步驟s5、將yolo?v8模型中的優(yōu)化算法替換為adamw,

8、步驟s6、在yolo?v8模型中的backbone模塊加入多頭自注意力機制，得到病害檢測模型；

9、步驟s7、使用步驟s3中預(yù)處理后得到的番茄葉片病害數(shù)據(jù)集，對步驟s6得到的所述病害檢測模型進行訓(xùn)練。

10、優(yōu)選的，步驟s1中獲取的所述番茄葉片病害圖片，來源于plant-village植物病害公開數(shù)據(jù)集。

11、優(yōu)選的，步驟s3中，所述預(yù)處理具體包括：采用opencv中的圖像處理庫函數(shù)，對圖像進行旋轉(zhuǎn)90°、模糊處理、色彩變換以及添加噪聲。

12、優(yōu)選的，步驟s4中，將yolo?v8中的backbone模塊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)替換為shufflenetv2，具體包括：使用兩個級聯(lián)的shufflenetv2模塊作為yolo?v8中的backbone模塊。

13、優(yōu)選的，步驟s6中，所述在yolo?v8模型中的backbone模塊加入多頭自注意力機制，具體包括：在兩個級聯(lián)的shufflenetv2模塊后，加入多頭自注意力機制模塊,再在多頭自注意力機制模塊后加入四個級聯(lián)的shufflenetv2模塊，再加入sppf模塊；

14、將步驟s3中預(yù)處理好的番茄葉片病害數(shù)據(jù)先進入池化層進行池化；再進入兩個級聯(lián)的shufflenetv2模塊；再通過mhsa多頭自注意力模塊進一步處理；然后再進入四個級聯(lián)shufflenetv2模塊；再進入sppf模塊將圖像轉(zhuǎn)換成向量輸出；最后進行分類。

15、本發(fā)明的有益效果

16、本發(fā)明在進行實際番茄葉片病害檢測時，能在檢測到的番茄葉片病害的種類更多的同時產(chǎn)生的誤檢和漏檢現(xiàn)象更少；除此之外，在部署到安卓端進行實時檢測時，檢測的速度更快，有效地提高了整體的檢測性能。

17、進一步地，所述步驟1包括以下步驟：

18、s101、采集番茄葉片病害圖片；

19、s102、使用opencv中的圖像處理庫函數(shù)，對圖像進行旋轉(zhuǎn)90°、模糊處理、色彩變換以及添加噪聲。

20、上述進一步方案的有益效果是：經(jīng)預(yù)處理后的圖像番茄葉片病害特征較之前更明顯，解決數(shù)據(jù)集中小目標(biāo)占比少樣本不均衡的問題，便于后續(xù)訓(xùn)練過程中對檢測目標(biāo)特征的學(xué)習(xí)過程，提高整個網(wǎng)絡(luò)模型的檢測性能；除此之外，在實際檢測時，具有更好的魯棒性。

21、再進一步地，所述步驟2包括以下步驟：

22、s201、對所標(biāo)注的矩形框添加類別，并將番茄葉片病害圖像保存為xml格式；

23、s202、利用xml格式的路面破損圖像訓(xùn)練檢測模。

24、上述進一步方案的有益效果是：利用矩形框的合理標(biāo)注更便于后續(xù)網(wǎng)絡(luò)的回歸，相當(dāng)于預(yù)測效果更好。

25、再進一步地，所述步驟3包括以下步驟：

26、s301、使用輕量化神經(jīng)網(wǎng)絡(luò)模型shufflenet替換yolo?v8中backbone模塊中的原有網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化方式；

27、s302、在yolo?v8模型中加入msha多頭自注意力機制和adamw優(yōu)化算法。

28、上述進一步方案的有益效果是：在改進的輕量化后，轉(zhuǎn)換后的模型能很好地部署于用戶隨身攜帶的智能手機設(shè)備上，然后利用其攝像頭完成檢測過程，方便實時檢測和降低檢測成本。

技術(shù)特征：

1.一種基于yolo?v8的番茄葉片病害的檢測方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的一種基于yolo?v8的番茄葉片病害的檢測方法，其特征在于，步驟s1中獲取的所述番茄葉片病害圖片，來源于plant-village植物病害公開數(shù)據(jù)集。

3.如權(quán)利要求1所述的一種基于yolo?v8的番茄葉片病害的檢測方法，其特征在于，步驟s3中，所述預(yù)處理具體包括：采用opencv中的圖像處理庫函數(shù)，對圖像進行旋轉(zhuǎn)90°、模糊處理、色彩變換以及添加噪聲。

4.如權(quán)利要求1所述的一種基于yolo?v8的番茄葉片病害的檢測方法，其特征在于，步驟s4中，將yolo?v8中的backbone模塊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)替換為shufflenetv2，具體包括：使用兩個級聯(lián)的shufflenetv2模塊作為yolo?v8中的backbone模塊。

5.如權(quán)利要求4所述的一種基于yolo?v8的番茄葉片病害的檢測方法，其特征在于，步驟s6中，所述在yolo?v8模型中的backbone模塊加入多頭自注意力機制，具體包括：在兩個級聯(lián)的shufflenetv2模塊后，加入多頭自注意力機制模塊,再在多頭自注意力機制模塊后加入四個級聯(lián)的shufflenetv2模塊，再加入sppf模塊；

技術(shù)總結(jié)
本發(fā)明涉及一種基于YOLO?V8的識別番茄葉片病害的方法,獲取番茄葉片病害圖片,再對所述番茄葉片病害圖片進行病害標(biāo)注，構(gòu)建得到番茄葉片病害數(shù)據(jù)集；對番茄葉片病害數(shù)據(jù)集進行預(yù)處理；將YOLO?V8中的Backbone模塊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)替換為ShuffleNetV2；將YOLO?V8模型中的優(yōu)化算法替換為AdamW,在YOLO?V8模型中的Backbone模塊加入多頭自注意力機制，得到病害檢測模型；使用預(yù)處理后得到的番茄葉片病害數(shù)據(jù)集，對病害檢測模型進行訓(xùn)練。本發(fā)明在檢測到的番茄葉片病害的種類更多的同時產(chǎn)生的誤檢和漏檢現(xiàn)象更少；除此之外，在部署到安卓端進行實時檢測時，檢測的速度更快，有效地提高了整體的檢測性能。

技術(shù)研發(fā)人員：潘培明,秦華偉,吳虹達
受保護的技術(shù)使用者：杭州電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10