[发明专利]一种基于改进的YOLOv5s模型的苹果病害识别方法

说明书

本申请涉及神经网络与目标识别技术领域，更为具体来说，本申请涉及一种基于改进的YOLOv5s模型的苹果病害识别方法。所述方法包括：获取苹果病害数据集，并对所述苹果病害数据集进行预处理；对YOLOv5s模型进行轻量化改进；基于预处理后的苹果病害数据集对改进后的YOLOv5s模型进行训练；利用训练好的改进后的YOLOv5s模型对目标苹果病害图像进行识别。本申请改进后模型达到模型轻量化、存储占用低，利用训练好的改进后的YOLOv5s模型对目标苹果病害图像进行识别，识别速度快且识别精度高。

技术领域

本申请涉及神经网络与目标识别技术领域，更为具体来说，本申请涉及一种基于改进的YOLOv5s模型的苹果病害识别方法。

背景技术

苹果是世界上重要的水果作物，但病害的发生严重影响其产量和质量。及时准确地识别苹果病害能避免病害误识别带来的防治延误和农药滥用等情况，是实现苹果病害防治的重要一步。传统的苹果病害识别方法依赖于个人经验诊断，可靠性和时效性差，在苹果种植和生产规模不断扩大的现状下逐渐难以应对。随着计算机视觉技术的发展，通过人工智能的手段进行病害诊断成为农业发展的必然趋势。

卷积神经网络因其在图像识别领域的优异性能，成为常用的图像识别手段。目前，在病害识别领域，基于图像分类的卷积神经网络应用较多，但其单一图像预测单一标签的特性难以适用于多病害混杂的图像，在实际应用方面有所欠缺。特别地，目标检测作为图像分类的下游任务在进行特征提取的同时往往还要进行大量的锚框计算以对目标实例的位置信息进行预测，对存储和计算资源的占用往往较图像分类任务有所提升，然而却给模型在移动端的后期部署带来一定困难。

发明内容

基于上述技术问题，本发明旨在搭建存储占用低、识别速度快、识别精度高的苹果病害检测模型，该模型以YOLOv5s为基础骨架进行轻量化的改进。

本发明第一方面提供了一种基于改进的YOLOv5s模型的苹果病害识别方法，所述方法包括：

获取苹果病害数据集，并对所述苹果病害数据集进行预处理；

对YOLOv5s模型进行轻量化改进；

基于预处理后的苹果病害数据集对改进后的YOLOv5s模型进行训练；

利用训练好的改进后的YOLOv5s模型对目标苹果病害图像进行识别。

在本发明的一些实施例中，对所述苹果病害数据集进行预处理，包括：

将所述苹果病害数据集中的图像旋转预设角度，以模拟不同拍摄角度的图像；

对旋转后的图像色度、图像饱和度和图像对比度随机增强，以模拟不同光线条件下的图像；

对随机增强后的图像进行锐化处理，以模拟不同清晰度的图像。

在本发明的一些实施例中，所述对YOLOv5s模型进行轻量化改进，包括：

在YOLOv5s模型的骨干网络和颈部网络中配置轻量化幻影瓶颈层；

调整YOLOv5s模型的特征图的宽度；

在YOLOv5s模型的骨干网络中添加卷积块注意力模块，其中，所述卷积块注意力模块包括通道注意力模块和空间注意力模块。

在本发明的一些实施例中，所述对YOLOv5s模型进行轻量化改进还包括：

在YOLOv5s模型的颈部网络中配置特征金字塔模块；

在所述金字塔模块中构建二次堆叠模块。

在本发明的一些实施例中，在所述金字塔模块中构建二次堆叠模块，包括：

获取自注意机制的Transformer编码器；