一种基于无人机和改进YOLOv8的玉米叶片病害的识别方法

本发明属于目标检测，尤其涉及一种基于无人机和改进yolov8的玉米叶片病害的识别方法。

背景技术：

1、本发明涉及一种基于无人机和深度学习算法的植物病害识别方法，传统的植物病害检测方法通常依赖人工目视检测，存在着效率低、成本高、易受主观因素影响等问题。需要大量的人力和时间，并且受到地形限制。而本发明利用无人机获取植物群落的高分辨率图像数据，结合深度学习算法对图像进行处理和分析，实现对植物病害的自动化识别。该方法不仅提高了识别效率，而且可以在大范围和复杂地形下进行应用，实现对农田大范围、快速、全面监测。yolov8算法作为人工智能的一种重要技术，能够对大规模图像数据进行高效处理和分析，具有优秀的特征提取和分类能力。将无人机和深度学习相结合，可以实现对植物病害的自动化识别，极大地提高了识别效率和准确性。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于无人机和改进yolov8的玉米叶片病害的识别方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于无人机和改进yolov8的玉米叶片病害的识别方法，包括：

3、基于无人机采集玉米图像数据，对所述玉米图像数据进行预处理得到预处理图像；

4、构建改进的yolov8网络，基于所述预处理图像对所述改进的yolov8网络进行训练得到训练好的目标检测模型；

5、将待测图像输入所述训练好的目标检测模型进行检测得到玉米叶片病害识别，并将所述玉米叶片病害识别结果实时反馈至用户端。

6、可选地，对所述玉米图像数据进行预处理得到预处理图像的过程包括：

7、对所述玉米图像数据进行去噪处理得到去噪图像；

8、对所述去噪图像进行裁剪得到裁剪后图像；

9、对所述裁剪后图像进行图像增强得到图像数据集；

10、采用labelimg对所述图像数据集进行图像标注得到预处理图像。

11、可选地，所述改进的yolov8网络包括：骨干网络改进、颈部网络改进和损失函数改进；

12、其中，所述骨干网络改进的过程包括：将ema注意力模块引入骨干网络，并将所述骨干网络的前两个c2f模块替换为c2f-ema模块；

13、最后一层c2f模块引入fasternet block结构形成c2f-faster模块。

14、可选地，所述颈部网络改进的过程包括引入双向特征金字塔网络。

15、可选地，所述损失函数改进的过程包括：采用wiou损失函数替代传统ciou函数。

16、可选地，评价玉米叶片病害的属性包括：病灶面积、病斑数量、病斑形状和病斑颜色。

17、可选地，基于所述玉米叶片病害的属性确定玉米叶片病害类型的过程包括：

18、当所述病斑形状为点状病斑，病灶面积所占的无人机拍摄图像的像素低于200*400，病斑数量的平均像素为100*300，病斑颜色为浅黄色时，为初期玉米大斑病；

19、当所述病斑形状为细长条病斑、点状病斑并存，病灶面积所占的无人机拍摄图像的像素高于200*400，低于500*1500，病斑数量的平均像素为300*1300，病斑颜色为褐色时，为中期玉米大斑病；

20、当玉米叶片完全枯死时，为末期玉米大斑病。

21、与现有技术相比，本发明具有如下优点和技术效果：

22、高效诊断：无人机可以在短时间内完成大量植物群落的病害扫描，通过深度学习模型完成检测，相比传统的人工检查，大大提高了诊断效率。

23、准确性高：yolov8模型能有效识别各种类型的植物病害，包括病斑、枯萎等，减少误判和漏诊的可能性。

24、实时反馈：无人机与yolov8算法实时配合，使得农民或农业工作者能及时得到预警，有利于及时采取防治措施，减少损失。

25、精细化管理：通过精准的病害位置信息，农民可以对病害区域进行精确管理，制定有针对性的灌溉、施肥和药物喷洒方案。

26、数据积累与分析：持续的数据收集和分析有助于农业科研，为作物病害的预防和控制提供科学依据。

27、综上，基于上述技术方案，农业生产将实现智能化、高效化和环保化，提升农业生产效率和经济效益。

技术特征：

1.一种基于无人机和改进yolov8的玉米叶片病害的识别方法，其特征在于，包括：

2.根据权利要求1所述的基于无人机和改进yolov8的玉米叶片病害的识别方法，其特征在于，对所述玉米图像数据进行预处理得到预处理图像的过程包括：

3.根据权利要求1所述的基于无人机和改进yolov8的玉米叶片病害的识别方法，其特征在于，所述改进的yolov8网络包括：骨干网络改进、颈部网络改进和损失函数改进；

4.根据权利要求3所述的基于无人机和改进yolov8的玉米叶片病害的识别方法，其特征在于，所述颈部网络改进的过程包括引入双向特征金字塔网络。

5.根据权利要求3所述的基于无人机和改进yolov8的玉米叶片病害的识别方法，其特征在于，所述损失函数改进的过程包括：采用wiou损失函数替代传统ciou函数。

6.根据权利要求1所述的基于无人机和改进yolov8的玉米叶片病害的识别方法，其特征在于，评价玉米叶片病害的属性包括：病灶面积、病斑数量、病斑形状和病斑颜色。

7.根据权利要求6所述的基于无人机和改进yolov8的玉米叶片病害的识别方法，其特征在于，基于所述玉米叶片病害的属性确定玉米叶片病害类型的过程包括：

技术总结本发明公开了一种基于无人机和改进YOLOv8的玉米叶片病害的识别方法，属于目标检测领域，该方法包括以下步骤：基于无人机采集玉米图像数据，对玉米图像数据进行预处理得到预处理图像；构建改进的YOLOv8网络，基于预处理图像对改进的YOLOv8网络进行训练得到训练好的目标检测模型；将待测图像输入训练好的目标检测模型进行检测得到玉米叶片病害识别，并将玉米叶片病害识别结果实时反馈至用户端。本发明实现农业智能化、高效化和环保化，提升农业生产效率和经济效益。技术研发人员：苏伟,刘献元,姜庆华,李桦,阮从好,吴继刚,向冯亮受保护的技术使用者：吉林化工学院技术研发日：技术公布日：2024/8/21