本發(fā)明涉及深度學(xué)習(xí)智慧農(nóng)業(yè)的，特別是涉及一種基于輕量級網(wǎng)絡(luò)的番茄病蟲害識別研究方法。

背景技術(shù)：

1、番茄是全球經(jīng)濟上最重要的蔬菜作物之一，因其適應(yīng)性強、耐寒耐熱、生長周期短、產(chǎn)量高而廣泛種植，然而，番茄在生長過程中易受各種病害侵襲，如斑枯病、早疫病和晚疫病等，這些病害不僅限制番茄的生長發(fā)育，導(dǎo)致產(chǎn)量下降，還影響其質(zhì)量和食用口感，甚至可能導(dǎo)致植株死亡，造成嚴重的經(jīng)濟損失，因此，快速、準(zhǔn)確地檢測和控制番茄病害，對保障糧食安全和農(nóng)業(yè)的可持續(xù)發(fā)展至關(guān)重要。

2、傳統(tǒng)的番茄葉片病害人工檢查和化學(xué)分析方法依賴專家，易受個人因素影響，導(dǎo)致誤判和診斷不及時，造成經(jīng)濟損失，近年來，隨著計算機視覺和機器學(xué)習(xí)技術(shù)的發(fā)展，基于機器學(xué)習(xí)的番茄葉片病害識別方法通過手工提取病害圖像特征，再輸入分類器進行識別，準(zhǔn)確性較低且需要人工標(biāo)注，費時費力，卷積神經(jīng)網(wǎng)絡(luò)在作物病害識別方面取得了顯著進展，能夠自動提取病葉特征進行識別，但傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的特征提取不夠全面，容易在復(fù)雜背景下學(xué)到更多背景特征，導(dǎo)致識別精度低，此外，模型結(jié)構(gòu)復(fù)雜，參數(shù)量大，計算量高，難以在實際生活中推廣，針對番茄病害檢測方面存在很大局限，無法滿足當(dāng)前實際應(yīng)用的需要。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供一種可以實現(xiàn)高效、精準(zhǔn)的病害檢測和識別的同時顯著提升了病害檢測精度和模型的泛化能力的基于輕量級網(wǎng)絡(luò)的番茄病蟲害識別研究方法。

2、本發(fā)明的一種基于輕量級網(wǎng)絡(luò)的番茄病蟲害識別研究方法，包括以下步驟：

3、s1、收集番茄葉片病蟲害原始圖像數(shù)據(jù)集并進行預(yù)處理；

4、s2、根據(jù)番茄的病害的分類，將番茄葉面病害歸一化圖像數(shù)據(jù)集按8:2的比例劃分為訓(xùn)練集和驗證集，如果某類病害類型的番茄葉片圖像的總數(shù)量不能被10整除，則將多余的番茄葉片圖像放到該類型病害類型的訓(xùn)練集中，將所有病害類型的訓(xùn)練集組合在一起得到一個整體訓(xùn)練集，所有病害類型的驗證集組合在一起得到一個整體驗證集；

5、s3、構(gòu)建基于dpnet的輕量級番茄葉片病害識別模型；

6、s4、設(shè)置模型初始參數(shù)，對構(gòu)建的番茄葉片病害輕量級識別模型進行訓(xùn)練，獲得模型參數(shù)；

7、s5、使用s2中整體驗證集對10個訓(xùn)練后的番茄葉片病害輕量級識別模型進行精度驗證，選擇驗證精度最高的模型作為最佳番茄葉片病害輕量級識別模型，如果存在多個精度高且精度相同的模型，則在多個模型中隨機選擇一個作為最佳番茄葉片病害輕量級識別模型，保存最佳番茄葉片病害輕量級識別模型的權(quán)重，得到訓(xùn)練后的番茄葉片病害輕量級識別模型；

8、s6、將訓(xùn)練后的番茄葉片病害輕量級識別模型部署到番茄基地，通過高清攝像頭獲取番茄生長階段圖像，將圖像輸入到番茄葉片病害輕量級識別模型中；本發(fā)明通過構(gòu)建基于nanodet-plus的輕量級番茄病蟲害識別模型，采用先進的網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)處理方法，實現(xiàn)了高效、精準(zhǔn)的病害檢測和識別的同時顯著提升了病害檢測精度和模型的泛化能力，降低了網(wǎng)絡(luò)體積，實現(xiàn)了實時檢測和自動化應(yīng)用，便于在一些嵌入式設(shè)備中部署，便于大面積推廣，具有重要的經(jīng)濟和社會效益，滿足了當(dāng)前實際應(yīng)用的需求。

9、優(yōu)選的，在s1中，收集番茄葉片病蟲害原始圖像數(shù)據(jù)集并進行預(yù)處理具體步驟為：

10、s1.1、在番茄種植基地拍攝患有病害的n張番茄葉片圖像，n大于等于2000的整數(shù)，將每張番茄葉片圖像根據(jù)番茄的病害種類進行標(biāo)注標(biāo)簽，得到n張具有標(biāo)簽的番茄葉片病害圖像構(gòu)成番茄葉片病害原始圖像數(shù)據(jù)集；

11、s1.2、采用翻轉(zhuǎn)、隨機旋轉(zhuǎn)、亮度變換、高斯模糊、添加攪動、隨機裁剪和隨機平移這幾種預(yù)處理方法對番茄葉片病害原始圖像數(shù)據(jù)集中的每張番茄葉片圖像進行處理，得到番茄葉片病害擴充圖像數(shù)據(jù)集；

12、s1.3、將番茄葉片病害擴充圖像數(shù)據(jù)集中每張番茄葉片圖像的圖像分辨率均先縮放為224像素×224像素，再進行歸一化處理，得到番茄葉面病害歸一化圖像數(shù)據(jù)集。

13、優(yōu)選的，在s3中，番茄病害識別模型包括backbone、neck和head三部分，backbone采用并行體系結(jié)構(gòu)，使用多個stride為2的asu模塊組成低分辨率特征提取路徑，使用多個stride為1的asu模塊組成高分辨率特征提取路徑，兩個路徑使用2個bi-fm模塊增強跨分辨率的特征集成和交互，neck以3個1×1的卷積層開始，產(chǎn)生具有相同通道數(shù)和各種分辨率的特征，neck?融合包括2個lccm-td模塊和2個lccm-bu模塊；head包括1個5×5卷積層和1個1×1卷積層。

14、優(yōu)選的，在s3中，構(gòu)建基于dpnet的輕量級番茄葉片病害識別模型具體步驟為：

15、s3.1、網(wǎng)絡(luò)的主體使用dpnet目標(biāo)檢測網(wǎng)絡(luò)，dpnet采用雙路徑結(jié)構(gòu)，其中一條路徑用于捕捉空間特征，另一條路徑用于捕捉上下文信息；

16、s3.2、在neck部分，dpnet加入了輕量級的注意力機制和多尺度特征融合結(jié)構(gòu)；

17、s3.3、通過s3.1和s3.2構(gòu)建全新的輕量級番茄病蟲害檢測模型；得到構(gòu)建的輕量級番茄葉片病害識別模型；網(wǎng)絡(luò)的主體使用dpnet目標(biāo)檢測網(wǎng)絡(luò)，旨在提高檢測精度和效率，dpnet采用雙路徑結(jié)構(gòu)，其中一條路徑用于捕捉空間特征，另一條路徑用于捕捉上下文信息，提高網(wǎng)絡(luò)對各種目標(biāo)的檢測能力，在neck部分，dpnet加入了輕量級的注意力機制和多尺度特征融合結(jié)構(gòu)，旨在替代原本網(wǎng)絡(luò)中的標(biāo)準(zhǔn)fpn結(jié)構(gòu)，這些改進有助于更好地融合圖像細節(jié)信息，提高小目標(biāo)的檢測精度，最后通過s3.1和s3.2構(gòu)建全新的輕量級番茄病蟲害檢測模型；得到構(gòu)建的輕量級番茄葉片病害識別模型。

18、優(yōu)選的，在s4中，設(shè)置模型初始參數(shù)，對構(gòu)建的番茄葉片病害輕量級識別模型進行訓(xùn)練具體步驟如下：

19、s4.1、將s2中的整體訓(xùn)練集輸入到建立的番茄葉片病害輕量級識別模型中；

20、s4.2、設(shè)置訓(xùn)練參數(shù)，其中將初始學(xué)習(xí)率設(shè)置為0-1，優(yōu)化器動量設(shè)置為0-1，權(quán)重衰減設(shè)置為0-0.001，batch?size設(shè)置為0-20，訓(xùn)練的次數(shù)epoch設(shè)置為200；

21、s4.3、每20個epoch訓(xùn)練結(jié)束保存一個模型，200個epoch訓(xùn)練完后會得到10個模型，得到10個訓(xùn)練后的番茄葉片病害輕量級識別模型。

22、優(yōu)選的，在s6中，將訓(xùn)練后的番茄葉片病害輕量級識別模型部署到番茄基地具體步驟如下：

23、s6.1、在番茄基地安裝高清攝像頭，用來獲取番茄生長階段圖像；

24、s6.2、將番茄葉片病害輕量級識別模型部署到樹莓派4b+中；

25、s6.3、將攝像頭輸出端鏈接到樹莓派4b+上，將獲取到的番茄病害圖像傳輸進番茄葉片病害輕量級識別模型的輸入端；

26、s6.4、番茄葉片病害輕量級識別模型將檢測好的圖像輸出到管理中心，供管理人員查看。

27、優(yōu)選的，在s4.2中，初始學(xué)習(xí)率設(shè)置為0.1。

28、優(yōu)選的，在s4.2中，優(yōu)化器動量設(shè)置為0.9。

29、優(yōu)選的，在s4.2中，權(quán)重衰減設(shè)置為0.0001。

30、優(yōu)選的，在s4.2中，batch?size設(shè)置為16。

31、與現(xiàn)有技術(shù)相比本發(fā)明的有益效果為：本發(fā)明通過構(gòu)建基于nanodet-plus的輕量級番茄病蟲害識別模型，采用先進的網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)處理方法，實現(xiàn)了高效、精準(zhǔn)的病害檢測和識別的同時顯著提升了病害檢測精度和模型的泛化能力，降低了網(wǎng)絡(luò)體積，實現(xiàn)了實時檢測和自動化應(yīng)用，便于在一些嵌入式設(shè)備中部署，便于大面積推廣，具有重要的經(jīng)濟和社會效益，滿足了當(dāng)前實際應(yīng)用的需求。