一种基于YOLOv5神经网络的植物病虫害检测方法

本发明涉及无人机植物病虫害检测领域，具体为一种基于yolov5神经网络的植物病虫害检测方法。

背景技术：

1、在农作物生长过程中，病虫害问题是一个普遍存在的难题。传统的农田巡视方法需要农民每天花费大量时间进行巡查，而往往只能发现一些表面的病虫害问题，对于那些隐蔽性较强的病虫害问题难以发现。同时，传统的农田巡视无法对于较大范围的农田进行全面巡视，导致漏检的情况时有发生。而一旦农作物遭受病虫害侵袭，不仅会直接影响农业生产的产量和质量，还会造成财产损失和环境污染等问题。

2、在现代农业生产中，无人机已经成为了一种重要的辅助工具，能够在农作物病虫害防治和监测等方面发挥重要作用。传统的病虫害检测方法需要大量人力和时间，效率低下，而基于无人机进行病虫害检测，可以快速便捷地获取大量农田数据，并通过计算机视觉技术进行自动化分析和处理，提高农业生产的效率和质量。

3、目前，在目标检测方面，计算机视觉技术已经取得了突飞猛进的进展，其中yolo算法更是被广泛用于很多领域。现如今，yolov5神经网络的出现，使得目标检测的速度和精度都有了很大的提升,但对于一些小目标的植物图像和视频数据特征提取却非常容易出现漏检、误检问题，很难准确定位无人机航拍图像上的目标，导致其无法在无人机植物病虫害检测方面进行应用。

技术实现思路

1、针对现有技术中存在的问题，本发明提供了一种基于yolov5神经网络的植物病虫害检测方法，使用无人机来替代传统的人为进行植物病虫害检测，有效节省了人力和时间；利用改进的yolov5神经网络进行植物病虫害检测，增加对植物病虫害的检测精度，并提高了yolov5神经网络模型的泛化性。

2、为了实现以上目的，本发明所采用的技术方案是：

3、一种基于yolov5神经网络的植物病虫害检测方法，包括如下步骤：

4、s1，将目标农田区域的图像进行标注，区分为正常生长图像与发生病虫害图像，之后转换格式后送入yolov5s神经网络的输入端，依次进行focus操作和ghost操作，再引入坐标注意力机制，对植物叶片的颜色、纹理、形态进行特征值捕获，最后进行特征融合，输出3种不同尺寸的特征预测图；

5、s2，将3种不同尺寸的特征预测图进行加权非极大值抑制，输出与真实框概率最接近的预测框，当得到的特征值与健康植物参考库中的特征值相似度低于75％，则判断发生病虫害，否则判断为正常生长，得到训练好的神经网络；

6、s3，无人机按照设定的飞行路径在s1所述的目标农田区域中工作，之后用训练好的神经网络对采集的实时图片进行检测，若结果为发生病虫害则进行标记，之后传输至地面站，若为正常生长，则继续检测，直至无人机完成目标农田区域的检测。

7、优选的，s1中，先将目标农田区域的图像按照1：4的数量划分为测试集和训练集，总数量不低于1500张，之后利用labelimg对所有图像进行标注，区分为正常生长图像与发生病虫害图像，最后将发生病虫害图像保存为xml格式的文件，再送入到yolov5s神经网络的输入端。

8、进一步，s1将xml格式的文件送入到yolov5s神经网络的输入端之前，随机选择4张图像，利用mosaic数据增强模型对每张图像进行随机缩放、裁剪、分布，之后拼接成一张新图像，通过自适应锚框计算，再将所有txt格式的标注图片文件进行格式调整，统一成640*640*3的标准尺寸，最后送入yolov5s神经网络的输入端。

9、优选的，s1中，通过slice操作对输入的图像进行裁剪，再经过slice操作和concat操作，将裁剪后的图像片段合并为一个尺寸为320*320*12的特征映射，接着利用卷积操作特征图获得尺寸为304*304*32的特征图，再进行ghost操作。

10、进一步，ghost操作具体为使用卷积法得到尺寸为304*304*32的特征图的特征映射，然后对每个通道的特征映射进行φ运算生成ghost特征图，最后将得到的特征映射和ghost特征图连接起来，输入到坐标注意力机制中。

11、优选的，s1中，坐标注意力机制对经过ghost操作处理的图像给定输入x，使用尺寸为(h,1)或(1,w)的池化核分别沿着水平坐标和垂直坐标对每个通道进行编码，高度为h的第c通道的输出表示为下式，其中w表示经过ghost操作处理的图像尺寸的宽，xc是指第c通道的输入：

12、

13、宽度为w的第c通道的输出表示为下式，其中h表示经过ghost操作处理的图像尺寸的高，xc是指第c通道的输入：

14、

15、然后将和进行拼接后，利用1*1卷积核进行降维和激活操作，生成特征图f，之后沿着空间维度，将f分成两个独立的张量fh和fw，分别利用1*1卷积进行升维度操作，再结合sigmoid激活函数得到注意力权重向量和坐标注意力机制的输出为下式，其中yc(i,j)代表第c通道输出，xc(i,j)代表第c通道输入：

16、

17、优选的，s1中，依次按如下过程对植物叶片的颜色、纹理、形态进行特征值捕获：

18、比较发生病虫害图像颜色与正常生长图像颜色之间的差异，利用opencv库中的cvtcolor函数，将rgb图像转换为hsv颜色空间，然后将hsv颜色空间划分为离散的区域，形成一个颜色空间网格，使用cv2.calchist函数计算hsv颜色空间的直方图，使用cv2.normalize函数将直方图归一化，使用.flatten()将归一化的直方图转换为一维数组形式；

19、比较发生病虫害图像颜色与正常生长图像颜色之间的差异，利用opencv库中的cvtcolor函数将图像转换为灰度图像，定义灰度共生矩阵的参数，然后使用skimage库中的greycomatrix计算灰度共生矩阵，根据灰度共生矩阵的频次对灰度共生矩阵进行归一化，最后利用归一化得到的数据使用greycoprops计算，得到纹理特征；

20、将图像转换为灰度图像，然后使用阈值分割法将图像二值化，使病虫害成为图像中的前景区域，背景区域为0，前景区域为1，得到二值图像，使用形态学操作对二值图像进行处理，以改变病虫害的形状和结构，得到调整后的病虫害特征，然后使用cv2.findcontours函数找到病虫害的轮廓，计算病虫害的面积、周长、形状因子和圆度。

21、优选的，s1中所述的特征融合通过neck层中的fpn结构和pan结构完成，具体过程如下：

22、fpn结构对上层特征图进行自上而下的上采样，将高层特征传递到底层特征，pan结构自底向上进行下采样，使底层信息传递到高层，最后融合，输出3种不同尺寸的特征预测图。

23、优选的，s2中，采用ciou作为边界框的损失函数，利用head输出层进行加权非极大值抑制，ciou的表达式如下：

24、

25、

26、式中：iou为预测的物体框和真实的物体框的交集的面积与并集的面积之比，b和bgt分别代表预测的物体框和真实的物体框的中心点坐标，ρ2(b,bgt)代表这两个中心点的欧式距离，c为同时包含预测的物体框和真实的物体框的最小闭包区域的对角线距离，α是权重函数，υ为影响因子，w为宽，h为高，gt为真实的物体框，p为预测的物体框；

27、head输出层基于ciou对3种不同尺寸的特征预测图进行迭代训练，剔除掉预测概率小于80％的预测框，直至留下预测概率最大的预测框，使lciou的值最小。

28、进一步，s2训练好的神经网络进行精确率和召回率的评估，如果精确率和召回率有一项＜82％，继续迭代训练，直到精确率和召回率均≥82％，得到训练好的神经网络。

29、与现有技术相比，本发明具有以下有益的技术效果：

30、本发明一种基于yolov5神经网络的植物病虫害检测方法，用ghost模块替换backbone网络部分的cspdarknet53结构进行操作，引入具有协同作用的坐标注意力机制，可以让模型集中在需要关注的区域，有效提升对小目标检测的精度，使改进后的yolov5算法在保持准确性的同时，通过优化网络结构和训练参数，实现了更快的检测速度，适应了无人机采集目标农田区域图像的实时需求，对植物叶片的颜色、纹理、形态进行特征值捕获，最后进行特征融合，可输出3种不同尺寸的特征预测图。无人机采集目标农田区域植物图像后，通过自动识别和定位植物病虫害，省去了传统人工巡查的繁琐过程，提高了检测效率。无人机搭载的设备可以实时传输图像数据和检测结果，使得病虫害的发现和处理可以更加及时，减少损失。通过地面站的显示终端可进一步利用检测结果产生检测报告，农民和农作物管理人员可以方便地查看和分析检测结果，并采取相应的管理措施，提高农作物的产量和质量。本发明通过无人机航拍技术获取高分辨率的植物图像，对植物病虫害进行标注，利用深度学习框架对改进型yolov5算法进行训练，以适应无人机植物病虫害检测任务，并提高检测精度和速度，具有高精度、实时性、适应性、大规模检测和系统集成的优点，能够帮助农民及时发现和预防植物病虫害，提高生产效率和农作物质量。