一种基于轻量级网络的番茄病虫害识别研究方法

本发明涉及深度学习智慧农业的，特别是涉及一种基于轻量级网络的番茄病虫害识别研究方法。

背景技术：

1、番茄是全球经济上最重要的蔬菜作物之一，因其适应性强、耐寒耐热、生长周期短、产量高而广泛种植，然而，番茄在生长过程中易受各种病害侵袭，如斑枯病、早疫病和晚疫病等，这些病害不仅限制番茄的生长发育，导致产量下降，还影响其质量和食用口感，甚至可能导致植株死亡，造成严重的经济损失，因此，快速、准确地检测和控制番茄病害，对保障粮食安全和农业的可持续发展至关重要。

2、传统的番茄叶片病害人工检查和化学分析方法依赖专家，易受个人因素影响，导致误判和诊断不及时，造成经济损失，近年来，随着计算机视觉和机器学习技术的发展，基于机器学习的番茄叶片病害识别方法通过手工提取病害图像特征，再输入分类器进行识别，准确性较低且需要人工标注，费时费力，卷积神经网络在作物病害识别方面取得了显著进展，能够自动提取病叶特征进行识别，但传统卷积神经网络的特征提取不够全面，容易在复杂背景下学到更多背景特征，导致识别精度低，此外，模型结构复杂，参数量大，计算量高，难以在实际生活中推广，针对番茄病害检测方面存在很大局限，无法满足当前实际应用的需要。

技术实现思路

1、为解决上述技术问题，本发明提供一种可以实现高效、精准的病害检测和识别的同时显著提升了病害检测精度和模型的泛化能力的基于轻量级网络的番茄病虫害识别研究方法。

2、本发明的一种基于轻量级网络的番茄病虫害识别研究方法，包括以下步骤：

3、s1、收集番茄叶片病虫害原始图像数据集并进行预处理；

4、s2、根据番茄的病害的分类，将番茄叶面病害归一化图像数据集按8:2的比例划分为训练集和验证集，如果某类病害类型的番茄叶片图像的总数量不能被10整除，则将多余的番茄叶片图像放到该类型病害类型的训练集中，将所有病害类型的训练集组合在一起得到一个整体训练集，所有病害类型的验证集组合在一起得到一个整体验证集；

5、s3、构建基于dpnet的轻量级番茄叶片病害识别模型；

6、s4、设置模型初始参数，对构建的番茄叶片病害轻量级识别模型进行训练，获得模型参数；

7、s5、使用s2中整体验证集对10个训练后的番茄叶片病害轻量级识别模型进行精度验证，选择验证精度最高的模型作为最佳番茄叶片病害轻量级识别模型，如果存在多个精度高且精度相同的模型，则在多个模型中随机选择一个作为最佳番茄叶片病害轻量级识别模型，保存最佳番茄叶片病害轻量级识别模型的权重，得到训练后的番茄叶片病害轻量级识别模型；

8、s6、将训练后的番茄叶片病害轻量级识别模型部署到番茄基地，通过高清摄像头获取番茄生长阶段图像，将图像输入到番茄叶片病害轻量级识别模型中；本发明通过构建基于nanodet-plus的轻量级番茄病虫害识别模型，采用先进的网络结构和数据处理方法，实现了高效、精准的病害检测和识别的同时显著提升了病害检测精度和模型的泛化能力，降低了网络体积，实现了实时检测和自动化应用，便于在一些嵌入式设备中部署，便于大面积推广，具有重要的经济和社会效益，满足了当前实际应用的需求。

9、优选的，在s1中，收集番茄叶片病虫害原始图像数据集并进行预处理具体步骤为：

10、s1.1、在番茄种植基地拍摄患有病害的n张番茄叶片图像，n大于等于2000的整数，将每张番茄叶片图像根据番茄的病害种类进行标注标签，得到n张具有标签的番茄叶片病害图像构成番茄叶片病害原始图像数据集；

11、s1.2、采用翻转、随机旋转、亮度变换、高斯模糊、添加搅动、随机裁剪和随机平移这几种预处理方法对番茄叶片病害原始图像数据集中的每张番茄叶片图像进行处理，得到番茄叶片病害扩充图像数据集；

12、s1.3、将番茄叶片病害扩充图像数据集中每张番茄叶片图像的图像分辨率均先缩放为224像素×224像素，再进行归一化处理，得到番茄叶面病害归一化图像数据集。

13、优选的，在s3中，番茄病害识别模型包括backbone、neck和head三部分，backbone采用并行体系结构，使用多个stride为2的asu模块组成低分辨率特征提取路径，使用多个stride为1的asu模块组成高分辨率特征提取路径，两个路径使用2个bi-fm模块增强跨分辨率的特征集成和交互，neck以3个1×1的卷积层开始，产生具有相同通道数和各种分辨率的特征，neck 融合包括2个lccm-td模块和2个lccm-bu模块；head包括1个5×5卷积层和1个1×1卷积层。

14、优选的，在s3中，构建基于dpnet的轻量级番茄叶片病害识别模型具体步骤为：

15、s3.1、网络的主体使用dpnet目标检测网络，dpnet采用双路径结构，其中一条路径用于捕捉空间特征，另一条路径用于捕捉上下文信息；

16、s3.2、在neck部分，dpnet加入了轻量级的注意力机制和多尺度特征融合结构；

17、s3.3、通过s3.1和s3.2构建全新的轻量级番茄病虫害检测模型；得到构建的轻量级番茄叶片病害识别模型；网络的主体使用dpnet目标检测网络，旨在提高检测精度和效率，dpnet采用双路径结构，其中一条路径用于捕捉空间特征，另一条路径用于捕捉上下文信息，提高网络对各种目标的检测能力，在neck部分，dpnet加入了轻量级的注意力机制和多尺度特征融合结构，旨在替代原本网络中的标准fpn结构，这些改进有助于更好地融合图像细节信息，提高小目标的检测精度，最后通过s3.1和s3.2构建全新的轻量级番茄病虫害检测模型；得到构建的轻量级番茄叶片病害识别模型。

18、优选的，在s4中，设置模型初始参数，对构建的番茄叶片病害轻量级识别模型进行训练具体步骤如下：

19、s4.1、将s2中的整体训练集输入到建立的番茄叶片病害轻量级识别模型中；

20、s4.2、设置训练参数，其中将初始学习率设置为0-1，优化器动量设置为0-1，权重衰减设置为0-0.001，batch size设置为0-20，训练的次数epoch设置为200；

21、s4.3、每20个epoch训练结束保存一个模型，200个epoch训练完后会得到10个模型，得到10个训练后的番茄叶片病害轻量级识别模型。

22、优选的，在s6中，将训练后的番茄叶片病害轻量级识别模型部署到番茄基地具体步骤如下：

23、s6.1、在番茄基地安装高清摄像头，用来获取番茄生长阶段图像；

24、s6.2、将番茄叶片病害轻量级识别模型部署到树莓派4b+中；

25、s6.3、将摄像头输出端链接到树莓派4b+上，将获取到的番茄病害图像传输进番茄叶片病害轻量级识别模型的输入端；

26、s6.4、番茄叶片病害轻量级识别模型将检测好的图像输出到管理中心，供管理人员查看。

27、优选的，在s4.2中，初始学习率设置为0.1。

28、优选的，在s4.2中，优化器动量设置为0.9。

29、优选的，在s4.2中，权重衰减设置为0.0001。

30、优选的，在s4.2中，batch size设置为16。

31、与现有技术相比本发明的有益效果为：本发明通过构建基于nanodet-plus的轻量级番茄病虫害识别模型，采用先进的网络结构和数据处理方法，实现了高效、精准的病害检测和识别的同时显著提升了病害检测精度和模型的泛化能力，降低了网络体积，实现了实时检测和自动化应用，便于在一些嵌入式设备中部署，便于大面积推广，具有重要的经济和社会效益，满足了当前实际应用的需求。