[发明专利]基于改进YoloV4的田间小麦赤霉病发生程度评估方法

说明书

本发明涉及一种基于改进YoloV4的田间小麦赤霉病发生程度评估方法，包括如下步骤：S100、拍摄观测区群体麦穗图像；S200、利用训练好的改进YoloV4目标检测网络模型对观测区群体麦穗图像进行检测并获得单个麦穗图像；S300、统计麦穗个数得到麦穗总数，同时对单个麦穗图像进行特征提取和随机森林分类并统计患病麦穗个数；S400、根据麦穗总数和患病麦穗个数计算群体麦穗的病穗率，按照国家相关标准得到该群体麦穗的赤霉病发生程度。本方法提高了小麦赤霉病发生程度的预测精度，且能够在复杂条件下使用，无需辅助设备或材料，拥有良好的泛用性，有效解决了拍摄角度导致的麦穗遮挡而无法检测的情况，目标检测网络模型的检测精度也得到提高，缩短了模型训练时间。

技术领域

本发明涉及农业信息化技术领域，特别涉及一种基于改进YoloV4的田间小麦赤霉病发生程度评估方法。

背景技术

小麦赤霉病作为一种常见的小麦病害，其发生程度的快速评估常作为判断该病害在田间严重度的重要依据。传统的统计方式为人工统计，需要植保人员目视手查统计，这导致大量的人力、财力消耗。随着深度学习技术在农业领域的普及，小麦赤霉病发生程度的快速评估将得到良好改善，例如，Wang等人在《Evaluation of Efficacy of Fungicides forControl of Wheat Fusarium Head Blight Based on Digital Imaging》一文提出了一种基于K-Means和CNN网络的小麦赤霉病等级评估方法。该方法是通过K-Means和增强绿色图像(RGG)对麦穗图像进行粗分割，然后对分割后的单个麦穗进行颜色特征、纹理特征的提取用于鉴别麦穗的患病情况，最后利用CNN网络对麦穗进行计数并计算出病穗率从而得到小麦赤霉病发生程度。Su等人在《Automatic evaluation of wheat resistance tofusarium head blight using dual mask-RCNN deep learning frameworks incomputer vision》一文中提出了一种基于双重Mask-RCNN网络完成小麦赤霉病等级评估。该方法使用了两个Mask-RCNN网络对群体麦穗图像进行分割，第一个Mask-RCNN网络对图像中的麦穗进行分割并得到单个麦穗图像并计数，然后将得到的图像通过第二个Mask-RCNN网络进行分割得到麦穗的病斑区域并计算出患病小麦个数，随后计算群体病穗率并确定麦穗患病等级。

上述技术存在如下不足：Wang等人提出的方法在小麦的图片采样时，需要使用黑布对小麦的背景进行遮挡，以实现处理数据的便捷化。但是，由于场地的限制或采集条件限制等原因，往往无法使用黑布对小麦的背景进行遮挡，这导致该方法无法有效推广使用。同时该方法针对小麦的计数准确率较低，导致无法得到精确的麦穗数量，降低了方法的预测精度。Su等人提出的方法，由于基于双重Mask-RCNN网络结构过于复杂，存在模型训练时间长，数据标注量大的问题，其推广应用也大大受限。

发明内容

(一)要解决的技术问题

为解决目前小麦赤霉病发生程度评估采集图像受到条件限制、麦穗检测率低以及病穗特征区分不明显等技术问题，本发明提出了基于改进YoloV4的田间小麦赤霉病发生程度评估方法。

(二)技术方案

为实现以上目的，本发明采用的技术方案为：一种基于改进YoloV4的田间小麦赤霉病发生程度评估方法，包括如下步骤：S100、拍摄观测区群体麦穗图像；S200、利用训练好的改进YoloV4目标检测网络模型对观测区群体麦穗图像进行检测并获得单个麦穗图像；S300、统计麦穗个数得到麦穗总数；同时对单个麦穗图像进行特征提取和随机森林分类统计得到患病麦穗个数；S400、根据麦穗总数和患病麦穗个数计算群体麦穗的病穗率，并依据国家相关标准得到该群体麦穗的赤霉病发生程度。

(三)有益效果