【技术实现步骤摘要】
本专利技术涉及图像识别模型领域，特别涉及一种桑树病虫害智能检测识别系统及方法。
技术介绍
1、在桑树病虫害检测与防治领域，随着科技的发展，利用人工智能技术进行桑树病虫害的检测与防治逐渐受到关注。然而，在实际应用中存在诸多问题。
2、目前桑树领域的病虫害数据集十分有限，导致模型训练缺乏充足的数据样本。同时，许多桑树害虫由于自身尺寸小或拍摄距离等因素，在图像中呈现为小目标状态，这使得传统检测方法容易出现误检漏检。此外，桑树病害通常出现在真实生产场景中，光线、天气等复杂背景会对病害检测造成严重干扰，降低检测准确率。在针对桑树小目标害虫检测方面，小目标害虫本身能提取的有用特征有限，且随着网络层数深入，其特征在下采样过程中逐渐丢失，导致检测精度低下。对于桑树病害检测，复杂多变的背景条件常导致检测叶片病害出错，进而影响防治措施的准确性。
3、因此，为解决上述问题，提高桑树病虫害检测的准确性和效率，本专利技术提出了一种桑树病虫害智能检测识别系统及方法。
技术实现思路
1、本专利技术提供了一种桑树病虫害智能检测识别系统及方法，能够提高桑树病虫害检测的准确性和效率。
2、为了解决上述技术问题，本申请提供如下技术方案：
3、一种桑树病虫害智能检测识别系统，包括：
4、视频采集模块，用于实时采集桑树病虫害的图像数据；
5、图像处理模块，用于对采集的图像数据进行预处理；
6、虫害特征提取模块，用于从预处理后的图像中提取虫害
7、病害特征提取模块，用于从预处理后的图像中提取病害的特征；
8、检测模型模块，用于根据提取的特征识别病虫害；
9、数据管理模块，用于存储和管理检测结果。
10、进一步，虫害特征提取模块包括backbone单元、neck单元和head单元；所述backbone单元用于提取图像特征，包括scer模组，scer模组包括focus+spd子模块、c3-eca子模块和rfem子模块；neck单元用于融合特征，包括ssfpn单元和odconv单元，所述ssfpn单元用于将特征金字塔中每层特征图视为视频中的每一帧进行concat拼接，然后输入到3d卷积中；所述odconv单元用于用于引入全维度动态卷积，通过多维注意力机制从四个维度进行学习；head单元用于检测和识别虫害类型。
11、进一步，所述focus+spd子模块用于将主干网络第0层的卷积层替换为focus结构，并在每个卷积层后面加入spd模块。
12、进一步，所述c3-eca子模块为在c3模块中加入eca注意力机制，学习每个卷积块的通道注意力。
13、进一步，所述rfem子模块在sppf空间金字塔池化层后加入，使用三种不同空洞率的空洞卷积提取多尺度信息。
14、进一步，所述ssfpn单元将特征金字塔各层特征图通过卷积上采样等操作调整成统一尺寸，并使用3d卷积提取尺度序列特征。
15、进一步，所述odconv单元在自顶向下路径的两个c3模块后添加，引入多维注意力机制，
16、进一步，所述病害特征提取模块包括c3-res2block子模块和contextaggregation子模块；context aggregation子模块包括se单元；c3-res2block子模块用于使用一组较小的滤波器替换c个通道的3*3滤波器，然后将输入特征进行分组，滤波器首先从第一组特征图中学习信息，然后将输出的特征连同下一组特征图再次输入该组滤波器，如此重复直到所有组特征都被处理，接着将所有的特征图进行concat连接，连接后输入到1*1滤波器进行融合，最后输入到se单元来对通道进行自适应调整；其中滤波器组以残差的方式连接；contextaggregation子模块用于受自注意力机制的启发，可以对像素级的空间上下文进行融合：
17、
18、这里pi和qi分别表示特征金字塔中第i层的输入输出特征图，每个特征图中包含ni个像素，j,m∈{1,ni}表示每个像素的索引，wk和wv是用于投影特征图的线性投影矩阵，公式1通过线性投影替换query和key的矩阵乘法；应用了一个与pi和qi形状相同的更新加权矩阵，来平衡每个像素聚合空间上下文的程度，该矩阵也可以简单的从pi进行线性投影，并通过sigmoid激活生成；
19、
20、同样，j∈{1,n_i}是矩阵索引，sigmoid函数的输出被视为从全局上下文聚合的信息比例。
21、一种桑树病虫害智能检测识别方法，包括以下步骤：
22、步骤一：通过视频采集模块实时采集桑树病虫害的图像数据；
23、步骤二：通过图像处理模块对采集的图像数据进行预处理，包括但不限于去噪、增强对比度等；
24、步骤三：通过特征提取模块提取预处理后图像中病虫害的特征；
25、步骤四：通过检测模型模块识别提取的特征，确定病虫害的种类和位置；
26、步骤五：通过数据管理模块存储和管理检测结果。
27、方案原理及有益效果如下：本专利技术的桑树病虫害智能检测识别系统采用模块化设计，包括视频采集模块、图像处理模块、特征提取模块、检测模型模块和数据管理模块。各模块协同工作，实现对桑树病虫害的实时检测与识别。
28、特征提取模块是系统的核心，包含虫害特征提取模块和病害特征提取模块。虫害特征提取模块进一步细分为backbone单元、neck单元和head单元。scer模组包含focus+spd子模块、c3-eca子模块和rfem子模块。focus+spd子模块通过将主干网络第0层的卷积层替换为focus结构，并在每个卷积层后面加入spd模块，增强对小目标特征的提取能力。
29、在c3模块中加入eca注意力机制，学习每个卷积块的通道注意力，提高特征的表达能力。在sppf空间金字塔池化层后加入，使用三种不同空洞率的空洞卷积提取多尺度信息，增强对小目标的检测能力。
30、ssfpn单元将特征金字塔中每层特征图视为视频中的每一帧进行concat拼接，然后输入到3d卷积中，增强对小目标特征的学习能力。
31、odconv单元引入全维度动态卷积，通过多维注意力机制从四个维度进行学习，进一步提升小目标的特征提取能力。
32、head单元用于检测和识别虫害类型，将提取的特征进行最终的分类和定位。
33、c3-res2block子模块使用较小的滤波器替换3*3滤波器，并通过分组和残差连接的方式，提高特征的深度挖掘能力。context aggregation子模块通过自注意力机制，对像素级的空间上下文进行融合，增强特征的全局表达能力。检测模型模块采用改进后的yolov5模型，利用提取的特征进行病虫害的检测和识别。
34、通过改进yolov5模型，特别是对小目标害虫的检测精度，系统能够更准确地识别桑树病虫害，提高了本文档来自技高网...
【技术保护点】
1.一种桑树病虫害智能检测识别系统，其特征在于：包括：
2.根据权利要求1所述的一种桑树病虫害智能检测识别系统，其特征在于：虫害特征提取模块包括Backbone单元、Neck单元和Head单元；所述Backbone单元用于提取图像特征，包括SCER模组，SCER模组包括Focus+SPD子模块、C3-ECA子模块和RFEM子模块；Neck单元用于融合特征，包括ssFPN单元和ODConv单元，所述ssFPN单元用于将特征金字塔中每层特征图视为视频中的每一帧进行Concat拼接，然后输入到3D卷积中；所述ODConv单元用于用于引入全维度动态卷积，通过多维注意力机制从四个维度进行学习；Head单元用于检测和识别虫害类型。
3.根据权利要求2所述的一种桑树病虫害智能检测识别系统，其特征在于：所述Focus+SPD子模块用于将主干网络第0层的卷积层替换为Focus结构，并在每个卷积层后面加入SPD模块。
4.根据权利要求3所述的一种桑树病虫害智能检测识别系统，其特征在于：所述C3-ECA子模块为在C3模块中加入ECA注意力机制，学习每个卷积块的通道注
5.根据权利要求4所述的一种桑树病虫害智能检测识别系统及方法，其特征在于：所述RFEM子模块在SPPF空间金字塔池化层后加入，使用三种不同空洞率的空洞卷积提取多尺度信息。
6.根据权利要求5所述的一种桑树病虫害智能检测识别系统，其特征在于：所述ssFPN单元将特征金字塔各层特征图通过卷积上采样等操作调整成统一尺寸，并使用3D卷积提取尺度序列特征。
7.根据权利要求6所述的一种桑树病虫害智能检测识别系统，其特征在于：所述ODConv单元在自顶向下路径的两个C3模块后添加，引入多维注意力机制，所述病害特征提取模块包括C3-Res2block子模块和Context Aggregation子模块；Context Aggregation子模块包括SE单元；C3-Res2block子模块用于使用一组较小的滤波器替换c个通道的3*3滤波器，然后将输入特征进行分组，滤波器首先从第一组特征图中学习信息，然后将输出的特征连同下一组特征图再次输入该组滤波器，如此重复直到所有组特征都被处理，接着将所有的特征图进行Concat连接，连接后输入到1*1滤波器进行融合，最后输入到SE单元来对通道进行自适应调整；其中滤波器组以残差的方式连接；Context Aggregation子模块用于受自注意力机制的启发，可以对像素级的空间上下文进行融合：
8.一种桑树病虫害智能检测识别方法，包括以下步骤：
...【技术特征摘要】
1.一种桑树病虫害智能检测识别系统，其特征在于：包括：
2.根据权利要求1所述的一种桑树病虫害智能检测识别系统，其特征在于：虫害特征提取模块包括backbone单元、neck单元和head单元；所述backbone单元用于提取图像特征，包括scer模组，scer模组包括focus+spd子模块、c3-eca子模块和rfem子模块；neck单元用于融合特征，包括ssfpn单元和odconv单元，所述ssfpn单元用于将特征金字塔中每层特征图视为视频中的每一帧进行concat拼接，然后输入到3d卷积中；所述odconv单元用于用于引入全维度动态卷积，通过多维注意力机制从四个维度进行学习；head单元用于检测和识别虫害类型。
3.根据权利要求2所述的一种桑树病虫害智能检测识别系统，其特征在于：所述focus+spd子模块用于将主干网络第0层的卷积层替换为focus结构，并在每个卷积层后面加入spd模块。
4.根据权利要求3所述的一种桑树病虫害智能检测识别系统，其特征在于：所述c3-eca子模块为在c3模块中加入eca注意力机制，学习每个卷积块的通道注意力。
5.根据权利要求4所述的一种桑树病虫害智能检测识别系统及方法，其特征在于：所述rfem子模块在sppf...
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。