【技术实现步骤摘要】
本专利技术涉及农业病虫害识别，尤其涉及基于对角线损失的农业病虫害精准识别方法。
技术介绍
1、在全球范围内，农业在提供人口健康、维护社会稳定乃至保护国家安全方面发挥着至关重要的作用。因此，人们一直要求不断创新农业技术，提高农业产业效率，最大限度地提高粮食产量，以养活不断增加的人口。但是，由于种植环境中分布着大量入侵生物和微生物，农作物越来越容易受到病虫害的侵袭。病虫害的侵袭严重威胁着农业生产安全和粮食的可持续供应。因此，准确识别农作物病虫害，有效预警病虫害的爆发，有助于预防农业灾害的发生，确保农田的质量和产量。
2、然而大多数传统的病虫害识别方法都是由农业专家诊断的，它们依赖于专家的主观经验，效率低下，误差大，而且成本高昂。随着图像处理技术的发展，基于机器学习的农作物病虫害识别方法已成为可能。然而，这些方法仍需要人工提取特征，操作繁琐，难以提取抽象特征，且准确率难以提高到实际应用水平。此后，随着图形处理器(gpu)的发展，依赖于强大gpu处理能力的深度学习技术迅速发展，并广泛应用于农业病虫害识别。将深度学习技术应用于农作物病虫害识别比传统病虫害识别和基于机器学习的识别方法具有更高的准确性。
3、尽管许多研究为使用深度学习神经网络识别农业病虫害提供了参考和可行性，然而对于现有的深度学习模型来说，要解决农业病虫害计算成本高、准确率低等问题仍具有挑战性。
4、大多数先进的物体检测器都依赖于边界框回归(bbr)模块来确定物体的位置。基于这种模式，精心设计的损失函数对bbr的成功至关重要。迄今为止，基于
5、但是，现有的bbr损失函数有时在不同的预测结果下具有相同的值，这降低了bbr的收敛速度和精度。现有的bbr损失函数也并不完全适用于农业病虫害的精准识别。
技术实现思路
1、本专利技术的目的在于提供基于对角线损失的农业病虫害精准识别方法，旨在解决现有的农业病虫害识别方法精度较低的问题。
2、为实现上述目的，本专利技术提供了基于对角线损失的农业病虫害精准识别方法，包括以下步骤：
3、构建农业病虫害数据集数据集；
4、基于边界框相似性比较度量设计边界框回归损失函数；
5、对网络结构进行改进，得到改进网络；
6、使用所述边界框回归损失函数对所述改进网络进行训练，得到农业病虫害检测模型；
7、使用所述农业病虫害检测模型对农作物病虫害进行精准识别。
8、其中，在“构建农业病虫害数据集数据集”中，所述农业病虫害数据集数据集包括实地拍摄的照片、公共数据集和互联网数据，所述实地拍摄的照片包括沃柑溃疡病和荷兰豆卷心菜毛虫；所述公共数据集包括蝗总科昆虫和豆类水泡甲虫；所述互联网数据包括葡萄黑腐病和葡萄叶枯病。
9、其中，在“基于边界框相似性比较度量设计边界框回归损失函数”中，包括：
10、在边界框相似性比较度量中引入预测边界框和真实边界框对角线的差值比设计边界框相似性比较度量ddriou,得到新的损失函数lddriou；
11、用传统边界框相似性比较度量iou对损失函数lddriou进行加权，得到新的损失函数lfocal-ddriou。
12、其中，在“对网络结构进行改进，得到改进网络”中，包括：
13、移除yolov7网络结构的两个elan模块，并添加了c3模块补充网络的特征提取能力；
14、在剩余的两个所述elan模块之间嵌入了mobilevitv3模块，形成了新的apd-yolov7网络结构。
15、其中，在“对网络结构进行改进，得到改进网络”中，所述c3模块是yolov5中的关键组件，采用了层级结构来提取特征，将低层次的特征图通过一系列卷积层和瓶颈结构连接到高层次的特征图上，所述mobilevitv3模块适用于移动视觉任务的轻量级模型。
16、本专利技术的基于对角线损失的农业病虫害精准识别方法，包括以下步骤：构建农业病虫害数据集数据集；基于边界框相似性比较度量设计边界框回归损失函数；对网络结构进行改进，得到改进网络；使用所述边界框回归损失函数对所述改进网络进行训练，得到农业病虫害检测模型；使用所述农业病虫害检测模型对农作物病虫害进行精准识别。本专利技术通过实地拍摄和网络爬虫构建了农业病虫害数据集该数据集囊括了目前农业病虫害数据集中较为突出的问题。其次，参考现有的边界框回归损失函数，重新考虑了bbr中预测边界框和真实边界框的几何特征。结合农业病虫害数据集的特点，提出了边界框相似性比较度量，然后结合focal-loss思想，使回归过程聚焦于高质量的锚框。基于边界框相似性比较度量设计出focal-边界框相似性比较度量。并且将yolov7的损失函数由ciou损失替换为focal-边界框相似性比较度量。最后调整了yolov7的网络结构，在backbone的第17层嵌入了mobilevitv3模块。至此提出了一个针对农业病虫害检测的模型，用于精准农业中农作物病虫害的识别。在农业病虫害数据集数据集上对模型进行了性能评估。实验表明，focal-边界框相似性比较度量明显优于其他常用的bbr损失。其次，调整后的网络结构也优于yolov7原始网络结构。本模型在农业病虫害检测中具有优越的性能，从而解决了现有的农业病虫害识别方法精度较低的问题。
本文档来自技高网...【技术保护点】
1.基于对角线损失的农业病虫害精准识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于对角线损失的农业病虫害精准识别方法，其特征在于，在“构建农业病虫害数据集数据集”中，所述农业病虫害数据集数据集包括实地拍摄的照片、公共数据集和互联网数据，所述实地拍摄的照片包括沃柑溃疡病和荷兰豆卷心菜毛虫；所述公共数据集包括蝗总科昆虫和豆类水泡甲虫；所述互联网数据包括葡萄黑腐病和葡萄叶枯病。
3.如权利要求1所述的基于对角线损失的农业病虫害精准识别方法，其特征在于，在“基于边界框相似性比较度量设计边界框回归损失函数”中，包括：
4.如权利要求1所述的基于对角线损失的农业病虫害精准识别方法，其特征在于，在“对网络结构进行改进，得到改进网络”中，包括：
5.如权利要求4所述的基于对角线损失的农业病虫害精准识别方法，其特征在于，在“对网络结构进行改进，得到改进网络”中，所述C3模块是YOLOv5中的关键组件，采用了层级结构来提取特征，将低层次的特征图通过一系列卷积层和瓶颈结构连接到高层次的特征图上，所述MobileViTv3模块适用于移动视觉
...【技术特征摘要】
1.基于对角线损失的农业病虫害精准识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于对角线损失的农业病虫害精准识别方法，其特征在于，在“构建农业病虫害数据集数据集”中，所述农业病虫害数据集数据集包括实地拍摄的照片、公共数据集和互联网数据，所述实地拍摄的照片包括沃柑溃疡病和荷兰豆卷心菜毛虫；所述公共数据集包括蝗总科昆虫和豆类水泡甲虫；所述互联网数据包括葡萄黑腐病和葡萄叶枯病。
3.如权利要求1所述的基于对角线损失的农业病虫害精准识别方法，其特征在于，在“基于边界框相...
【专利技术属性】
技术研发人员：周省邦，刘书田，李建文，陈东，曾倩，
申请(专利权)人：南宁师范大学，
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。