虫害识别方法、装置、设备及存储介质

本技术涉及图像识别，尤其涉及一种虫害识别方法、装置、设备及存储介质。

背景技术：

1、随着农业科技的快速发展，对植物中虫害的检测也更新为利用图像识别技术对植物中的虫害进行识别的方法，不仅降低了农业人员的劳动量，还加快对虫害的识别速度。

2、在实时应用场景中对植物中的虫害进行识别主要为单阶段检测，单阶段检测的方式是使用单个神经网络模型直接从输入的植物图像中识别出目标物的位置与类别，以从植物图像中快速识别出虫害的位置与虫害的种类。但是，单阶段检测方式受噪声影响较大，难以对植物中虫害的目标区域与体积较小的目标物进行精准定位，导致单阶段检测方式检测的精度低下。

技术实现思路

1、本技术的主要目的在于提供一种虫害识别方法、装置、设备及存储介质，旨在解决现有技术在实时应用场景中难以对植物中虫害的目标区域与体积较小的目标物进行精准定位，导致单阶段检测方式检测的精度低下的技术问题。

2、为实现上述目的，本技术提供一种虫害识别方法，所述虫害识别方法，包括：

3、获取待测植物的待识别图像；

4、通过预设yolov5-ncf模型对所述待识别图像进行虫害识别，获得所述待测植物的虫害分布数据，所述预设yolov5-ncf模型包括预设next-vit骨干模块与预设颈部模块，所述预设颈部模块包括新增的预设cam模块与替代c3模块的c3-faster模块。

5、可选地，所述预设yolov5-ncf模型还包括检测模块，所述预设next-vit骨干模块与所述预设颈部模块连接，所述预设颈部模块与所述检测模块连接；

6、所述通过预设yolov5-ncf模型对所述待识别图像进行虫害识别，获得所述待测植物的虫害分布数据的步骤，包括：

7、将所述待识别图像输入至所述预设next-vit骨干模块进行特征提取，获得虫害的特征信息；

8、通过所述预设颈部模块对所述特征信息进行特征融合，获得待检测特征；

9、通过所述检测模块对所述待检测特征进行虫害识别，获得所述待测植物的虫害种类、虫害数量与虫害位置，所述虫害分布数据至少包括所述虫害种类、所述虫害家数量、所述虫害位置中的一项。

10、可选地，所述预设颈部模块还包括颈部卷积层、上采样层与拼接层；

11、所述通过所述预设颈部模块对所述特征信息进行特征融合，获得待检测特征的步骤，包括：

12、通过所述颈部卷积层对所述特征信息依次进行卷积处理，获得第一特征集；

13、通过所述上采样层对所述第一特征集进行上采样处理，获得第二特征集；

14、通过所述拼接层对所述第二特征集进行拼接处理，获得第三特征集；

15、通过所述c3-faster模块对所述第三特征集进行c3-faster处理，获得特征集合；

16、将所述特征集合依次通过所述颈部卷积层和/或所述上采样层、所述拼接层与所述c3-faster模块进行不同预设次数的循环处理，获得不同预设目标的待检测特征。

17、可选地，所述预设cam模块连接所述颈部卷积层中接收所述特征信息的颈部第一个卷积层与预设最小目标对应的拼接层；

18、所述不同预设目标的待检测特征包括最小体积的待检测特征，所述将所述特征集合依次通过所述颈部卷积层和/或所述上采样层、所述拼接层与所述c3-faster模块进行不同预设次数的循环处理，获得所述最小体积的待检测特征的步骤，包括：

19、将所述特征集合依次通过颈部卷积层和/或所述上采样层、所述拼接层与所述c3-faster模块进行循环处理所述预设次数中最多的次数，获得预设最小目标的最小目标特征集；

20、并通过预设cam模块对所述颈部第一个卷积层处理所述特征信息后得到的虫害特征集进行上下文信息处理，获得不同感受野的上下文特征信息；

21、通过所述拼接层将所述上下文件特征信息与虫害特征集进行拼接处理，获得最小体积特征组；

22、通过所述c3-faster模块分别对所述最小体积特征组进行c3-faster操作，获得所述预设最小目标的待检测特征。

23、可选地，所述预设cam模块包括扩展卷积层与融合层，所述扩展卷积层连接所述颈部第一个卷积层与所述融合层；

24、所述通过预设cam模块对所述颈部第一个卷积层处理所述特征信息后得到的虫害特征集进行上下文信息处理，获得不同感受野的上下文特征信息的步骤，包括：

25、通过所述扩展卷积层按照不同的预设卷积比例对分别所述虫害特征进行扩展卷积处理，获得对应的扩展特征；

26、通过所述融合层对所述扩展特征依次进行卷积、连接、卷积与损失函数处理，获得各所述扩展特征的自适应权重，并对所述扩展特征进行不同感受野的语境分析，获得所述扩展特征的上下文信息；

27、基于所述自适应权重将所述上下文信息聚合，获得不同感受野的上下文特征信息。

28、可选地，所述通过预设yolov5-ncf模型对所述待识别图像进行虫害识别，获得所述待测植物的虫害分布数据的步骤之前，还包括：

29、获取标记有虫害的图像训练集；

30、根据所述图像训练集对待训练的初始yolov5-ncf模型进行迭代训练，获得预设yolov5-ncf模型。

31、可选地，所述根据所述图像训练集对待训练的初始yolov5-ncf模型进行迭代训练，获得预设yolov5-ncf模型的步骤，包括：

32、通过待训练的初始yolov5-ncf模型按照不同的预设目标大小对所述图像训练集进行识别，获得大量所述预设目标大小不同的待测样本特征；

33、确定所述待测样本特征与所述图像训练集中标记虫害的相似度；

34、基于所述相似度与预设损失函数对所述待训练的初始yolov5-ncf模型的网络参数进行迭代优化，获得预设yolov5-ncf模型。

35、此外，为实现上述目的，本技术还提供一种虫害识别装置，虫害识别装置包括：

36、图像获取模块，用于获取待测植物的待识别图像；

37、虫害识别模块，用于通过预设yolov5-ncf模型对所述待识别图像进行虫害识别，获得所述待测植物的虫害分布数据，所述预设yolov5-ncf模型包括预设next-vit骨干模块与预设颈部模块，所述预设颈部模块包括新增的预设cam模块与替代c3模块的c3-faster模块。

38、此外，为实现上述目的，本技术还提出一种虫害识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的虫害识别程序，所述虫害识别程序配置为实现如上文所述的虫害识别方法的步骤。

39、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质上存储有虫害识别程序，所述虫害识别程序被处理器执行时实现如上文所述的虫害识别方法的步骤。

40、本技术提供一种虫害识别方法、装置、设备及存储介质，与现有技术在实时应用场景中难以对植物中虫害的目标区域与体积较小的目标物进行精准定位，导致单阶段检测方式检测的精度低下相比，在本技术中，获取待测植物的待识别图像；通过预设yolov5-ncf模型对所述待识别图像进行虫害识别，获得所述待测植物的虫害分布数据，所述预设yolov5-ncf模型包括预设next-vit骨干模块与预设颈部模块，所述预设颈部模块包括新增的预设cam模块与替代c3模块的c3-faster模块。在本技术中，获取待检测植物的待识别图像，并通过预设yolov5-ncf模型提取待识别图像中的虫害的分布数据，以通过预设yolov5-ncf模型中的预设next-vit骨干模块提取待识别图像的多尺度信息特征，以获取虫害更多的细节特征，从而避免定位不准与特征缺失，再利用预设yolov5-ncf模型中的预设cam模块获取提取到的特征之间不同感受野的上下文信息，以利用该上下文信息提高对小体积的目标的检测精度，并通过预设yolov5-ncf模型中的c3-faster模块减少预设yolov5-ncf模型的复杂度，以保证预设yolov5-ncf模型的识别速率，即在本技术中，通过预设next-vit骨干模块提取更多的多尺度信息特征，丰富后续的特征融合，为提高小目标的检测准确率，在预设颈部模块添加预设cam模块，以提高模型对特征的理解与处理能力，最后通过c3-faster模块减少模型大小，以保证模型的识别速率，进而提高单阶段检测方式检测的精度。