本发明专利技术公开了一种基于YOLO V3与ResNeXt
【技术实现步骤摘要】
一种基于YOLO V3与ResNeXt
‑
50级联模型的脐橙病虫害识别方法
[0001]本专利技术涉及深度学习
，尤其涉及一种基于深度学习的病虫害识别方法。
技术介绍
[0002]我国是农业大国，农业与我们的生活息息相关，而农作物病害对农业影响巨大。据中国统计年鉴，2016年由农业病害等灾害造成的直接损失达0.503万亿元，占农业生产总值的8.48%。经济社会的不断发展带来了全球的气候和环境问题，病害的发生以及真菌细菌的变异影响着人们的生活。脐橙作为南方常见水果，种植需要较高的成本，实际种植过程中，经常出现病虫害问题，若是没有做好相关防治工作，便会影响脐橙的产量和质量，导致农户受到一定的经济损失。因此，研究农作物病害的预防，以及病害诊断和补救措施显得尤为重要，《You Only Look Once: Unified, Real
‑
Time Object Detection》论文提出了YOLO 系列算法,广泛用于目标检测技术具有速度快准率高的优点，《Aggregated Residual Transformations for Deep Neural Networks》论文中提出了ResNeXt
‑
50图像分类算法是对ResNet的改进在识别准确率上有所提升。
技术实现思路
[0003]一种基于YOLO V3与ResNeXt
‑
50级联模型的脐橙病虫害识别方法，其特征在于识别方法包含以下步骤：S101）数据获取：使用网络爬虫在互联网上获取脐橙的常见病和常见虫害，以煤烟病，疮痂病，黄龙病，溃疡病，炭疽病，脚腐病，膏药病，褐腐病，黄斑病，红蜘蛛，天牛，象鼻虫，铜绿金龟子，椿象为关键字在百度图片上进行检索，并使用Python爬虫下载，将图像下载后进行裁剪：包含多个患病的叶片对其进行裁剪形成多张图片，从而进行数据集扩充，形成数据集A，而裁剪的图像形成数据集B，两个数据集均按照7:2:1的比例划分为训练集、测试集和验证集；S102）模型训练：使用数据集A训练目标检测算法YOLO V3，最终获得训练好的模型，用于后续检测工作；使用数据集B训练分类模型，从中挑选验证集准确率最高的模型ResNeXt
‑
50，用作后面分类识别工作；S103）多结果选择算法：使用多结果选择算法从多个识别框中选择一个识别框并输入到下一阶段的识别模型中；S104）分类模型识别：把最终识别框的图像输入到分类模型中ResNeXt
‑
50最终获得识别结果。
[0004]进一步，所述的步骤S101）、S102）、S103）与S104）形成三级级联模型，其包括三个模块：模块1：为YOLO V3目标检测部分，用于检测图片中所有可能出现的病虫害部位的识别框、所属种类和准确率；
模块2：为多结果选择算法，从输出的多个识别框中，给出平均准确率最高的识别框的坐标；模块3：为分类模型，将模块2中输出的坐标所围成的图片，输入到分类模型中使用ResNeXt
‑
50进行识别，给出最终病虫害类别。
[0005]进一步，所述的步骤S101）中的数据集A，其中的每张图片拍摄于真实的环境，图片包含多个主体和复杂的环境信息，其中的个体指的是患病的果实、叶片或者枝干。
[0006]进一步，所述的步骤S101）中的数据集B，其中的每张图片是由是对数据集A中图片进行人工裁剪得到，保证数据集B中的每张图片只包含一个个体，去除背景影响。
[0007]进一步，所述的步骤S102）中，模型的训练使用PyTorch进行，优化器使用随机梯度下降，作为优选，初始学习率为0.001，图片大小为229
×
229；进一步，所述的步骤S103）中多结果选择算法步骤为：B1）运用YOLO V3对数据集A中的图片进行目标识别，给出图片中目标的识别框坐标、所属类别和准确率；B2）判断识别框个数，如果为1，则直接返回该识别框的坐标；B3）如果识别框的个数不为1，则对识别框按照类别进行统计，返回统计个数最多的类别及其坐标；B4）如果统计个数最多的类别不止一个，则返回平均准确率最高的类别的识别框坐标。
[0008]与现有技术相比，本专利技术的有益效果是：(1)为了解决传统分类模型受背景信息影响较大的问题，提出三阶段级联模型即YOLO V3和ResNeXt
‑
50级联模型，减少复杂背景对识别结果的影响，突出患病个体，提高了泛化能力，同时解决YOLO V3分类能力差的问题。
[0009](2)采用迁移学习方法，使用在ImageNet数据集预训练的模型，解决了因数据量小而导致模型识别精度低的问题。
[0010](3)YOLO V3存在将健康的叶片、果实、枝干等非患病个体，识别为患病个体的情况，多结果选择算法可以排除健康的非患病个体的识别框，只识别出患病个体的识别框，进一步提高了分类模型的准确率。
[0011](4)图像是在自然场景中使用廉价的小米手机拍摄的，采集的图像分辨率低于专业数码相机，使得果农很容易使用该技术，提出的方法有很高的实用价值。
附图说明
[0012]图1示出了本专利技术实施例中模型架构图。
[0013]图2示出了本专利技术实施例中数据集A中的一幅图片经裁剪后形成数据集B中的三个个体图片示意图。
[0014]图3示出了本专利技术实施例中多结果选择方法流程示意图。
[0015]图4示出了本专利技术实施例中YOLO V3输出目标的识别框坐标、所属类别和准确率示意图。
[0016]图5示出了本专利技术实施例中多结果选择方法中识别框的三种情况示意图。
具体实施方案
[0017]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]本专利技术所述的一种基于YOLO V3与ResNeXt
‑
50级联模型的脐橙病虫害识别方法，所述的级联模型是一个三级级联模型，其架构图如图1所示，包含三个模块：模块1：为YOLO V3目标检测部分，用于检测图片中所有可能出现的病虫害部位的识别框、所属种类和准确率；模块2：为多结果选择算法(MRS)，从输出的多个识别框中，给出平均准确率最高的识别框的坐标；模块3：为分类模型，将模块2中输出的坐标所围成的图片，输入到分类模型中使用ResNeXt
‑
50进行识别，给出最终病虫害类别。
[0019]本专利技术提出了一种基于YOLO V3与ResNeXt
‑
50级联模型的脐橙病虫害识别方法，包含以下步骤：S101）数据获取：使用网络爬虫在互联网上获取脐橙的常见病和常见虫害，以煤烟病，疮痂病，黄龙病，溃疡病，炭疽病，脚腐病，膏药病，褐腐病，黄斑病，红蜘蛛，天牛，象鼻虫，铜绿金龟子，椿象为关键本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于YOLO V3与ResNeXt
‑
50级联模型的脐橙病虫害识别方法，其特征在于识别方法包含以下步骤：S101）数据获取：使用网络爬虫在互联网上获取脐橙的常见病和常见虫害，以煤烟病，疮痂病，黄龙病，溃疡病，炭疽病，脚腐病，膏药病，褐腐病，黄斑病，红蜘蛛，天牛，象鼻虫，铜绿金龟子，椿象为关键字在百度图片上进行检索，并使用Python爬虫下载，将图像下载后进行裁剪：包含多个患病的叶片对其进行裁剪形成多张图片，从而进行数据集扩充，形成数据集A，而裁剪的图像形成数据集B，两个数据集均按照7:2:1的比例划分为训练集、测试集和验证集；S102）模型训练：使用数据集A训练目标检测算法YOLO V3，最终获得训练好的模型，用于后续检测工作；使用数据集B训练分类模型，从中挑选验证集准确率最高的模型ResNeXt
‑
50，用作后面分类识别工作；S103）多结果选择算法：使用多结果选择算法从多个识别框中选择一个识别框并输入到下一阶段的识别模型中；S104）分类模型识别：把最终识别框的图像输入到分类模型中ResNeXt
‑
50最终获得识别结果；步骤S101）、S102）、S103）与S104）形成三级级联模型；所述的步骤S101）、S102）、S103）与S104）形成三级级联模型，包括三个模块：模块1：为YOLO V3目标检测部分，用于检测图片中所有可能出现的病虫害部位的识别框、所属种类和准确率；模块2：为多结果选择算法，从输出的多个识别框中，给出平均准确率最高的识别框的坐标；模块3：为分类模型，将模块...
【专利技术属性】
技术研发人员：宋彩霞，亓志国，徐鹏民，平涛，
申请(专利权)人：青岛农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。