一种基于YOLOv8的玉米叶片虫害区域检测方法与流程

本发明属于虫害区域检测特定计算机模型的，更具体地，涉及一种基于yolov8的玉米叶片虫害区域检测方法。

背景技术：

1、玉米是我国的主要粮食之一，保障玉米的生长安全对于粮食安全和经济发展至关重要。在玉米的生长过程中，虫害是影响玉米产量和质量的主要危害之一。因此，尽早发现玉米虫害并控制害虫侵扰至关重要。传统的虫害识别方法受限于个人经验和专业知识的不足而存在很高的不可控性，这种方法不仅速度慢，而且存在效率低、主观性强、时效性差等问题，已经不能满足大规模种植的需要。

2、中国发明专利基于深度学习的番茄病虫害检测与识别方法公开了一种基于深度学习的番茄病虫害检测与识别方法，包括：将多张番茄病虫害图像和标注出的每张番茄病虫害图像中病虫害位置，作为第一个样本训练集，并作数据增强后，用于训练基于transformer的yolox目标检测网络；标注番茄病虫害图像中病虫害位置所属的病虫害类别，将其作为第二个样本训练集，并作数据增强后，用于训练旋转不变fisher判别cnn网络；通过yolox目标检测网络和旋转不变fisher判别cnn网络，定位出番茄图像中病虫害位置。

3、近年来，农业应用方面涌现出众多基于计算机视觉技术的相关研究，涵盖了果实检测、病虫害分类等诸多领域，目前已有的虫害研究工作通常是对害虫进行检测，忽略了叶片上虫害区域的检测，并且使用矩形框检测容易包含较多的背景信息，另外基于实例分割的虫害区域检测无法有效定位叶片边界，进而导致精确度不足。

技术实现思路

1、本发明旨在克服上述现有技术的至少一种缺陷，提供一种基于yolov8的玉米叶片虫害区域检测方法，以解决现有技术对叶片上虫害区域的检测不足以及基于实例分割的虫害区域检测无法有效定位叶片边界等问题。

2、本发明详细的技术方案如下：

3、s1、构建数据集：采集所需数量的多场景多尺度玉米虫害区域图片，数据集按照70％、30％，分别用于训练和测试；

4、s2、对数据集的玉米虫害区域图片进行预处理：使用轻量级注释工具“labelme”进行多边形标注，将虫害区域分为3个类别：啃食区、感染区和聚集区；

5、进一步地，对玉米虫害区域图片进行多边形标注，标注框的点数在[3，6]，并通过坐标填充，按照最多标注点自适应的学习虫害区域的形状；

6、具体的，使用最后一个点的坐标对标注数据进行填充，填充后的标注数据共6个点的坐标，每个标注点的坐标由x值和y值组成，共12个坐标值；填充后的坐标点信息t＝{t1，...，t6}，其中tj＝(xj，yj)，xj，yj分别表示第j个点的横纵坐标。同时，本发明设置真实存在标签c＝{c1，...，c6}，用来区分真实点与填充点，其中cj∈{0，1}(0表示填充点，1表示真实点)表示第j个点是否为真实点。

7、s3、将预处理后的玉米虫害区域图片输入poly-yolov8虫害区域检测模型的骨干网络进行特征提取后经颈部网络进行特征融合，最后输入改进的解耦检测头生成检测结果；

8、所述改进的解耦检测头包括类别分支、坐标预测分支和目标框预测分支，所述类别分支输出分类结果；所述坐标预测分支输出坐标结果；所述目标框预测分支输出目标框位置。

9、进一步地，所述骨干网络进行特征提取具体包括：

10、骨干网络使用多个特征融合模块对输入图像进行切片并从中提取特征，同时基于多个特征融合模块和特征图中的梯度变化整合操作；在骨干网络特征提取过程中，模型生成三种不同尺度的特征图：

11、其中是尺度为20×20×(512×w)的特征图，用于捕获图像中较小尺寸的虫害信息；是尺度为40×40×(512×w)的特征图，用于捕获中等尺寸的虫害信息；是尺度为80×80×(256×w)的特征图，用于捕获较大尺寸的虫害信息；其中w是调节因子，用于适应不同大小的模型参数，本发明中设置w为1。

12、进一步地，所述颈部网络进行特征融合具体包括：

13、主干网络输出的三种不同尺度的特征图作为颈部网络的输入，颈部网络采用上采样、下采样和特征融合模块相结合，最后颈部网络输出与骨干网络尺度大小相同的特征图。

14、所述改进的解耦检测头为基于解耦头机制设计多边形检测头，所述多边形检测头包括坐标预测分支，目标框预测分支和类别分支；

15、颈部网络输出的三种不同尺度的特征图作为多边形检测头的输入，使用大小为1×1的卷积核进行卷积操作，来预测与特征图相关的12维坐标信息其中表示第j个预测点的坐标信息；

16、在坐标预测分支中，通过卷积操作旨在提取坐标点的真实存在信息，这一信息提取过程的数学表述如公式(1)所示：

17、c′＝f(conv(f))    (1)

18、其中为坐标预测分支的输出，conv指卷积操作，f泛指特征图；

19、接着，采用了真实坐标点的顺序作为参考，使用顺序不敏感算法从预测坐标点的子集中分别选择与真实坐标点距离最近的点，这些点构成了一个用于计算损失的坐标损失对(loss_pair)的集合d；

20、之后，使用公式(2)来计算每个预测框的坐标回归损失lt：

21、

22、其中，|d|表示集合d中的元素个数，d表示集合d中的一个元素，即一个坐标损失对；dc′表示该坐标损失对中预测框存在的概率；dx和dy分别表示该坐标损失对中真实框的横坐标和纵坐标。dx′和dy′分别表示该坐标损失对中预测框的横坐标和纵坐标；

23、然后，根据顺序不敏感算法的输出集合d来获取预测框的周长，并额外引入了缩放因子ε，其中w表示真实框的周长，w′表示预测框的周长，之后使用公式(3)来计算坐标存在损失lc：

24、

25、本发明定义坐标回归损失lcoord＝lt+lc。

26、在目标框预测分支中，本发明采用多边形交并比iou损失函数来约束目标框的形状，首先，将真实目标框和预测目标框分别进行二值化处理，然后通过计算它们的交集和并集来得到虫害区域的iou值，具体地，iou损失的计算公式如公式(4)所示：

27、

28、其中，liou为iou损失，b代表真实框所覆盖的像素，b′代表预测框所覆盖的像素。在类别分支中，使用1×1卷积核来预测目标类别概率v′，预测过程如公式(5)所示：

29、v′＝sigmoid(conv(f))    (5)；

30、接下来，本发明使用二元交叉熵损失函数来计算目标分类的损失，损失计算的具体公式如公式(6)所示：

31、lcls＝-(vlog(v′)+(1-v)log(1-v′))    (6)；

32、其中，lcls表示目标分类的损失，v表示预测框的真实标签概率，v′表示预测框的预测概率，综合考虑这三种损失，本发明使用公式(7)来计算模型的总损失l；

33、

34、其中，h代表训练集中的样本数量，i表示样本的索引，之后，模型会使用反向传播的方式来更新梯度优化模型的权重。

35、具体的，所述顺序不敏感算法包括，顺序不敏感算法的输入为：真实坐标点集合t＝{t1,...，t6}，坐标真实存在概率c＝{c1，...，c6}，预测坐标点集合t′{t′1，...，t′6}，预测坐标存在概率

36、算法首先初始化：其中为空集合，之后从预测坐标点的第一个点到第六个点之间执行第一级循环操作：如果该预测坐标点的存在概率为0，则跳出第一层循环；若该预测坐标点的存在概率不为0，则执行以下操作：初始化距离dist＝o，坐标点下标索引z＝0，预测坐标存在概率v＝0。下一步分别从预测点的第一个点到第六个点执行以下第二层循环操作：计算真实点tl与预测点tq的欧式距离μ，若计算后一个点的欧氏距离满足μ＜dist，则将dist当前值更新为μ，将z当前值更新为q，将v当前值更新为否则，保持dist、z、v当前值不变；

37、执行完所有操作后退出第二层循环操作，最后将距离最小的点以及对应的存在概率组成损失计算三元组并且更新集合d＝d∪{loss_pair}，更新集合t′＝t′-{t′z}，退出第一层循环，最终算法输出集合d。

38、s4、将经训练和测试后的poiy-yolov8虫害区域检测模型对玉米虫害区域进行实时监测。

39、与现有技术相比，本发明的有益效果为：

40、(1)本发明提供的一种基于yolov8的玉米叶片虫害区域检测方法，发明采用多边形标注方式对玉米叶片虫害区域进行标注，构建了多边形玉米虫害区域数据集polycorn。这种标注方式能够更好地适应虫害区域的复杂形状，从而提高检测的准确性和精度。

41、(2)本发明提供的一种基于yolov8的玉米叶片虫害区域检测方法，本发明将yolov8模型与多边形检测相结合，提出了新的目标检测模型poly-yolov8。利用yolov8模型在目标检测领域的卓越性能，提高了poly-yolov8模型对多边形虫害区域的检测能力，解决了传统矩形预测框背景冗余以及实例分割无法定位边界的问题，实现了高效而准确的虫害区域检测。

42、(3)本发明提供的一种基于yolov8的玉米叶片虫害区域检测方法，提出的顺序不敏感算法，解决了损失计算时对坐标点顺序的过度拟合，降低了损失敏感性；并有助于平衡不同尺寸目标框的特征学习能力，从而提高了对小尺寸虫害区域的检测能力，进一步提高了模型检测的准确度与精度。