本發(fā)明涉及目標(biāo)檢測，尤其是涉及一種基于改進(jìn)yolov9模型的病蟲害檢測方法和電子設(shè)備。

背景技術(shù)：

1、基于深度學(xué)習(xí)的模型在計(jì)算機(jī)視覺、語言處理和語音識(shí)別等多個(gè)領(lǐng)域展現(xiàn)了遠(yuǎn)超過去人工智能系統(tǒng)的性能。其中，在農(nóng)業(yè)領(lǐng)域，通過分析無人機(jī)拍攝的農(nóng)田圖像，使用目標(biāo)檢測技術(shù)來識(shí)別和定位病蟲害感染作物，從而指導(dǎo)精準(zhǔn)施藥，減少農(nóng)藥使用，提高農(nóng)作物產(chǎn)量和質(zhì)量。

2、近年來，深度學(xué)習(xí)領(lǐng)域的研究者主要專注于如何開發(fā)更強(qiáng)大的系統(tǒng)架構(gòu)和學(xué)習(xí)方法，例如卷積神經(jīng)網(wǎng)絡(luò)(cnns)、transformers、perceivers和mambas。此外，一些研究者嘗試開發(fā)更通用的目標(biāo)函數(shù)，如損失函數(shù)、標(biāo)簽分配和輔助監(jiān)督。上述研究都在嘗試精確找到輸入和目標(biāo)任務(wù)之間的映射。然而，大多數(shù)的方法忽略了輸入數(shù)據(jù)在前饋過程中可能存在不可忽視的信息損失。這種信息損失可能導(dǎo)致梯度流偏差，進(jìn)而用于更新模型。上述問題可能導(dǎo)致深度網(wǎng)絡(luò)建立錯(cuò)誤的目標(biāo)與輸入之間的關(guān)聯(lián)，使得訓(xùn)練出的模型產(chǎn)生錯(cuò)誤的預(yù)測。

3、在深度網(wǎng)絡(luò)中，輸入數(shù)據(jù)在前饋過程中丟失信息的現(xiàn)象通常被稱為信息瓶頸。使用可逆架構(gòu)可以直接避免這種現(xiàn)象，也是現(xiàn)今主流解決信息瓶頸的主要方法：這種方法主要使用重復(fù)的輸入數(shù)據(jù)，以顯式方式維持輸入數(shù)據(jù)的信息；但是，可逆架構(gòu)需要額外的層來結(jié)合重復(fù)輸入的數(shù)據(jù)，這將顯著增加推理成本。引入深度監(jiān)督概念也可以緩解這種現(xiàn)象：在網(wǎng)絡(luò)的不同深度層次上添加監(jiān)督信號(hào)而不僅僅是在最后一層以提高網(wǎng)絡(luò)學(xué)習(xí)特征的能力，增強(qiáng)模型的泛化性。

4、yolov9中提出了pgi(可編程梯度信息)，通過輔助可逆分支生成可靠的梯度，使得深度特征仍然能夠保持執(zhí)行目標(biāo)任務(wù)的關(guān)鍵特性。輔助可逆分支的設(shè)計(jì)可以避免傳統(tǒng)深度監(jiān)督過程中整合多路徑特征可能導(dǎo)致的語義損失。雖然在輔助分支上使用可逆架構(gòu)取得了優(yōu)秀的結(jié)果，不過pgi并未完全發(fā)揮輔助分支無需參與推理階段的優(yōu)勢,使得目標(biāo)檢測的推理成本偏高。

5、經(jīng)過檢索，中國發(fā)明專利公開號(hào)cn117115640a公開了一種基于改進(jìn)yolov8的病蟲害目標(biāo)檢測方法、裝置及設(shè)備，該方法包括：獲取農(nóng)業(yè)病蟲害圖像數(shù)據(jù)集；基于訓(xùn)練好的sim-yolov8模型根據(jù)農(nóng)業(yè)病蟲害圖像數(shù)據(jù)集進(jìn)行檢測，得到目標(biāo)檢測結(jié)果。其中，sim-yolov8模型為根據(jù)農(nóng)業(yè)病蟲害圖像訓(xùn)練集訓(xùn)練得到，農(nóng)業(yè)病蟲害圖像訓(xùn)練集為經(jīng)過數(shù)據(jù)篩選、數(shù)據(jù)擴(kuò)充、數(shù)據(jù)增強(qiáng)以及數(shù)據(jù)標(biāo)注后的數(shù)據(jù)集。。該現(xiàn)有專利存在檢測準(zhǔn)確性和成本低的問題。

6、如何提高病蟲害感染作物目標(biāo)檢測的準(zhǔn)確性和成本，成為需要解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于改進(jìn)yolov9模型的病蟲害檢測方法和電子設(shè)備。

2、本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

3、根據(jù)本發(fā)明的一個(gè)方面，提供了一種基于改進(jìn)yolov9模型的病蟲害檢測方法，該方法包括以下步驟：

4、步驟s1，獲取待檢測病蟲害感染作物的圖像數(shù)據(jù)集；

5、步驟s2，構(gòu)建基于改進(jìn)yolov9模型的目標(biāo)檢測網(wǎng)絡(luò)，所述改進(jìn)yolov9模型包括雙輔助可逆分支；

6、步驟s3，對(duì)于訓(xùn)練好的目標(biāo)檢測網(wǎng)絡(luò)，僅保留其主干網(wǎng)絡(luò)得到推理病蟲位置的模型，并輸出步驟s1中圖像數(shù)據(jù)集的目標(biāo)檢測結(jié)果。

7、優(yōu)選地，所述的雙輔助可逆分支分別在淺層和深層部分與主干網(wǎng)絡(luò)進(jìn)行融合。

8、優(yōu)選地，所述的雙輔助可逆分支包括gelan-symmetry模塊，即對(duì)稱gelan模塊；所述gelan-symmetry模塊為對(duì)gelan的改進(jìn)，兩部分的結(jié)構(gòu)相同。

9、更加優(yōu)選地，所述的gelan-symmetry模塊的any?block為csp塊。

10、更加優(yōu)選地，所述gelan-symmetry的深度為2，csp塊的深度為1。

11、優(yōu)選地，所述的輔助可逆分支與主干網(wǎng)絡(luò)進(jìn)行分階段融合，即在訓(xùn)練的初期階段，將主干網(wǎng)絡(luò)與兩條輔助分支分別進(jìn)行訓(xùn)練。

12、優(yōu)選地，所述的目標(biāo)檢測網(wǎng)絡(luò)使用leaky-relu激活函數(shù)。

13、優(yōu)選地，將待檢測的圖像數(shù)據(jù)集輸入所述目標(biāo)檢測網(wǎng)絡(luò)，分別經(jīng)過一條主干和兩條輔助分支進(jìn)行訓(xùn)練；

14、所述訓(xùn)練過程包括：

15、步驟s3-1，初始化網(wǎng)絡(luò)權(quán)重；

16、步驟s3-2，前向傳播并計(jì)算損失；

17、步驟s3-3，反向傳播并根據(jù)梯度更新權(quán)重；

18、步驟s3-4，根據(jù)epoch數(shù)重復(fù)進(jìn)行步驟s3-2～s3-3，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并在訓(xùn)練結(jié)束后刪除輔助分支的部分。

19、優(yōu)選地，所述主干網(wǎng)絡(luò)與所述輔助分支的深度相同，且拼接融合處模塊的深度也相同。

20、根據(jù)本發(fā)明的另一個(gè)方面，提供了一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)所述的方法。

21、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

22、1)本發(fā)明通過引入雙輔助可逆分支，改進(jìn)的雙輔助可逆分支相比于單條輔助分支，前饋過程中輸入數(shù)據(jù)的信息損失更少，使得訓(xùn)練出的主干網(wǎng)絡(luò)層的效果更佳，進(jìn)一步提升目標(biāo)檢測的準(zhǔn)確性，適用于病蟲害感染的細(xì)微變化檢測；利用可逆架構(gòu)保持完整信息，在輔助分支上(非主干網(wǎng)絡(luò))應(yīng)用可逆架構(gòu)，使得訓(xùn)練模型獲得更高質(zhì)量的同時(shí)無需增加額外推理成本。

23、2)本發(fā)明提出了gelan-symmetry，在gelan的基礎(chǔ)上做出了進(jìn)一步的改進(jìn)，僅在輔助分支上應(yīng)用，可以使得輔助分支更好地進(jìn)行特征提取，從而提升主干網(wǎng)絡(luò)的性能表現(xiàn)。

24、3)本發(fā)明通過分階段將輔助可逆分支與主干網(wǎng)絡(luò)進(jìn)行融合，在訓(xùn)練的初期階段，將主干網(wǎng)絡(luò)與兩條輔助分支分別進(jìn)行訓(xùn)練，而不進(jìn)行拼接融合的階段，這種分階段的融合策略，不僅提高了訓(xùn)練效率，節(jié)約了計(jì)算成本，而且在一定程度上可以增強(qiáng)最終模型的準(zhǔn)確性和魯棒性。

技術(shù)特征：

1.一種基于改進(jìn)yolov9模型的病蟲害檢測方法，其特征在于，該方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)yolov9模型的病蟲害檢測方法，其特征在于，所述的雙輔助可逆分支分別在淺層和深層部分與主干網(wǎng)絡(luò)進(jìn)行融合。

3.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)yolov9模型的病蟲害檢測方法，其特征在于，所述的雙輔助可逆分支包括gelan-symmetry模塊，即對(duì)稱gelan模塊；所述gelan-symmetry模塊為對(duì)gelan的改進(jìn)，兩部分的結(jié)構(gòu)相同。

4.根據(jù)權(quán)利要求3所述的一種基于改進(jìn)yolov9模型的病蟲害檢測方法，其特征在于，所述的gelan-symmetry模塊的any?block為csp塊。

5.根據(jù)權(quán)利要求4所述的一種基于改進(jìn)yolov9模型的病蟲害檢測方法，其特征在于，所述gelan-symmetry的深度為2，csp塊的深度為1。

6.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)yolov9模型的病蟲害檢測方法，其特征在于，所述的輔助可逆分支與主干網(wǎng)絡(luò)進(jìn)行分階段融合，即在訓(xùn)練的初期階段，將主干網(wǎng)絡(luò)與兩條輔助分支分別進(jìn)行訓(xùn)練。

7.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)yolov9模型的病蟲害檢測方法，其特征在于，所述的目標(biāo)檢測網(wǎng)絡(luò)使用leaky-relu激活函數(shù)。

8.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)yolov9模型的病蟲害檢測方法，其特征在于，將待檢測的圖像數(shù)據(jù)集輸入所述目標(biāo)檢測網(wǎng)絡(luò)，分別經(jīng)過一條主干和兩條輔助分支進(jìn)行訓(xùn)練；

9.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)yolov9模型的病蟲害檢測方法，其特征在于，所述主干網(wǎng)絡(luò)與所述輔助分支的深度相同，且拼接融合處模塊的深度也相同。

10.一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如權(quán)利要求1～9中任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明涉及一種基于改進(jìn)yolov9模型的病蟲害檢測方法和電子設(shè)備，該方法包括以下步驟：獲取待檢測病蟲害感染作物的圖像數(shù)據(jù)集；構(gòu)建基于改進(jìn)yolov9模型的目標(biāo)檢測網(wǎng)絡(luò)，所述改進(jìn)yolov9模型包括雙輔助可逆分支；對(duì)于訓(xùn)練好的目標(biāo)檢測網(wǎng)絡(luò)，僅保留其主干網(wǎng)絡(luò)得到推理病蟲位置的模型，并輸出待檢測圖像數(shù)據(jù)集的目標(biāo)檢測結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明具有檢測準(zhǔn)確性高、無需增加額外推理成本等優(yōu)點(diǎn)。

技術(shù)研發(fā)人員：莊鎧澤,蔣先濤
受保護(hù)的技術(shù)使用者：上海海事大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19