一种基于轻量化制造技术

本发明专利技术公开了一种基于轻量化

【技术实现步骤摘要】
一种基于轻量化YOLO模型的柑橘木虱检测方法及系统


[0001]本专利技术涉及目标检测领域，尤其涉及一种基于轻量化
YOLO
模型的柑橘木虱检测方法及系统
。

技术介绍

[0002]柑橘由于具有良好的经济效益被广泛种植
。
在种植过程中，柑橘黄龙病是常见的发生在柑橘果实上的病害，柑橘黄龙病传播性强
、
防控难度大，极易导致果园减产，甚至绝产，严重影响了柑橘种植业的安全生产
。
柑橘木虱作为柑橘黄龙病的主要传播媒介，对柑橘木虱进行检测能够有效的预防该病害，目前大多基于机器视觉技术来实现检测，但是，从现有的机器视觉技术来看，这些技术的主要检测的目标大小都比较适中，而在针对柑橘木虱这种小目标的检测精度不高，且受环境影响，容易出现漏检
、
误检的情况
。

技术实现思路

[0003]有鉴于此，为了解决现有检测方法中针对小目标的检测精度不高，进而导致果实图像中柑橘木虱检测不精准的技术问题，本专利技术提出一种基于轻量化
YOLO
模型的柑橘木虱检测方法，所述方法包括以下步骤：
[0004]构建柑橘木虱数据集；
[0005]基于
YOLO
模型，引入空间通道交互的递归门控卷积模块，构建检测模型；
[0006]基于所述柑橘木虱数据集对所述检测模型进行训练，得到训练完成的检测模型；
[0007]将待识别的数据输入至所述训练完成的检测模型进行检测，得到检测结果/>。
[0008]其中，该柑橘木虱数据集是需要带标注的，可以是直接下载带标注的图像作为数据集，也可以是后期对柑橘果实图像进行人工标注处理
。
[0009]在一些实施例中，还包括：
[0010]基于
BWOA
算法对所述训练完成的检测模型进行超参数优化
。
[0011]通过该优选步骤，
BWOA
算法对
YOLO
‑
SCL
模型中的超参数进行优化，使得该组超参数最适用于柑橘木虱检测任务
。
[0012]在一些实施例中，所述检测模型包括主干网络
、
颈部网络和预测网络，所述基于所述柑橘木虱数据集对所述检测模型进行训练，得到训练完成的检测模型这一步骤，其具体包括：
[0013]将所述柑橘木虱数据集输入至所述检测模型；
[0014]基于所述主干网络，对输入的数据进行特征提取处理，得到初始特征图；
[0015]基于所述颈部网络，对所述初始特征图进行多尺度融合，得到融合后的特征图；
[0016]基于所述预测网络，对所述融合后的特征图进行预测，得到训练结果；
[0017]结合所述训练结果和所述柑橘木虱数据集中的真实标注对所述检测模型进行参数更新，得到训练完成的检测模型
。
[0018]在一些实施例中，所述主干网络包括卷积层
、C3
层和
SPPF
层，所述基于所述检测模
型的主干网络，对输入的数据进行特征提取处理，得到初始特征图这一步骤，其具体包括：
[0019]基于所述主干网络中的卷积层，对输入的数据进行卷积计算并提取特征信息，得到丰富语义信息后的数据
。
[0020]基于所述主干网络中的
C3
层，对所述丰富语义信息后的数据进行多层卷积计算并使用残差连接，得到降维后的数据
。
[0021]基于所述主干网络中的
SPPF
层，对降维后的数据进行串行的池化操作，得到初始特征图
。
[0022]通过该优选步骤，利用主干网络生成不同尺度的初始特征图
。
[0023]在一些实施例中，所述颈部网络包括
FPN
结构和
PAN
结构，所述基于所述颈部网络，对所述初始特征图进行多尺度融合，得到融合后的特征图这一步骤，其具体包括：
[0024]基于所述颈部网络的
FPN
结构，对所述初始特征图进行上采样，得到增强图像语义信息后的特征图
。
[0025]基于所述颈部网络中的
PAN
结构，对所述特征图进行下采样，得到增强图像位置信息的特征图；
[0026]基于增强图像语义信息后的特征图和增强图像位置信息的特征图进行融合，得到融合后的特征图
。
[0027]通过该优选步骤，基于颈部网络中的
FPN+PAN
结构，对输入数据进行多尺度特征融合，形成强语义信息和强位置信息的特征图
。
[0028]在一些实施例中，述
PAN
结构包括线性投影层
、ECA
注意力层
、
递归门控卷积模块和
Light_C3
层，所述基于所述颈部网络中的
PAN
结构，对所述特征图进行下采样，得到增强图像位置信息的特征图这一步骤，其具体还包括：
[0029]基于所述
PAN
结构的线性投影对所述特征图进行处理，进行通道混合，得到混合后的特征；
[0030]基于所述
PAN
结构的
ECA
注意力层对所述混合后的特征进行处理，得到新特征；
[0031]基于所述
PAN
结构的递归门控卷积模块对所述新特征进行卷积处理，得到增强图像位置信息的特征图；
[0032]基于所述
PAN
结构的
Light_C3
层，对所述增强图像位置信息的特征图进行细节特征保留处理
。
[0033]通过该优选步骤，基于
ECA
注意力层和递归门控卷积模块，对输入数据进行空间和通道交互，得到位置信息更强特征图
。
[0034]在一些实施例中，所述递归门控卷积模块的公式表示如下：
[0035]M
i+1
＝
DConv
i
(N
i
)
⊙
G
i
(M
i
)/S i
＝
0,1,...,n
‑1[0036][0037][0038]上式中，
σ
表示
Sigmoid
激活函数，表示一维卷积，
y
表示输入的特征，
DConv
i
表示一组深度卷积层，
M
i
和
N
i
表示不同的特征图，
M
i+1
表示下一层的特征图，
G
i
表示不同阶之间匹配维度的方式，
C
i
表示通道数，
S
表示缩放值
。
[0039]本专利技术还提出了一种基于轻量化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于轻量化
YOLO
模型的柑橘木虱检测方法，其特征在于，包括以下步骤：构建柑橘木虱数据集；基于
YOLO
模型，引入空间通道交互的递归门控卷积模块，构建检测模型；基于所述柑橘木虱数据集对所述检测模型进行训练，得到训练完成的检测模型；将待识别的数据输入至所述训练完成的检测模型进行检测，得到检测结果
。2.
根据权利要求1所述一种基于轻量化
YOLO
模型的柑橘木虱检测方法，其特征在于，还包括：基于
BWOA
算法对所述训练完成的检测模型进行超参数优化
。3.
根据权利要求1所述一种基于轻量化
YOLO
模型的柑橘木虱检测方法，其特征在于，所述检测模型包括主干网络
、
颈部网络和预测网络，所述基于所述柑橘木虱数据集对所述检测模型进行训练，得到训练完成的检测模型这一步骤，其具体包括：将所述柑橘木虱数据集输入至所述检测模型；基于所述主干网络，对输入的数据进行特征提取处理，得到初始特征图；基于所述颈部网络，对所述初始特征图进行多尺度融合，得到融合后的特征图；基于所述预测网络，对所述融合后的特征图进行预测，得到训练结果；结合所述训练结果和所述柑橘木虱数据集中的真实标注对所述检测模型进行参数更新，得到训练完成的检测模型
。4.
根据权利要求3所述一种基于轻量化
YOLO
模型的柑橘木虱检测方法，其特征在于，所述主干网络包括卷积层
、C3
层和
SPPF
层，所述基于所述检测模型的主干网络，对输入的数据进行特征提取处理，得到初始特征图这一步骤，其具体包括：基于所述主干网络中的卷积层，对输入的数据进行卷积计算并提取特征信息，得到丰富语义信息后的数据
。
基于所述主干网络中的
C3
层，对所述丰富语义信息后的数据进行多层卷积计算并使用残差连接，得到降维后的数据
。
基于所述主干网络中的
SPPF
层，对降维后的数据进行串行的池化操作，得到初始特征图
。5.
根据权利要求3所述一种基于轻量化
YOLO
模型的柑橘木虱检测方法，其特征在于，所述颈部网络包括
FPN
结构和
PAN
结构，所述基于所述颈部网络，对所述初始特征图进行多尺度融合，得到融合后的特征图这一步骤，其具体包括：基于所述颈部网络的
FPN
结构，对所述初始特征图进行上采样，得到增强图像语义信息后的特征图
。
基于所述颈部网络中的
PAN
结构，对所述特征图进行下采样，得到增强图像位置信息的特征图；基于增强图像语义信息后的特征图和增强图像位置信息...

【专利技术属性】
技术研发人员：吕石磊，周旭，李震，薛秀云，孙道宗，刘雪雅，曾伟斌，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：