本發(fā)明涉及農(nóng)業(yè)害蟲檢測，尤其涉及一種基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)。

背景技術(shù)：

1、通過深度學(xué)習(xí)技術(shù)的整合，農(nóng)業(yè)害蟲檢測取得了顯著進(jìn)步。傳統(tǒng)的深度學(xué)習(xí)方法中，農(nóng)業(yè)害蟲檢測依賴于手工特征提取，然后是經(jīng)典的機(jī)器學(xué)習(xí)分類器對特征進(jìn)行分類?；谔卣鞯姆椒ɡ胹ift和surf等技術(shù)，然后利用svm等分類器檢測害蟲和疾病。傳統(tǒng)的深度學(xué)習(xí)農(nóng)業(yè)害蟲檢測方法雖然在某種程度上有效，在處理復(fù)雜背景和變化的照明條件方面呈現(xiàn)出局限性。

2、為了在復(fù)雜背景和變化的照明條件下更準(zhǔn)確地識別農(nóng)業(yè)害蟲，需要依賴于兩階段深度學(xué)習(xí)檢測方法和單階段深度學(xué)習(xí)檢測方法。rcnn系列，包括r-cnn，fasterr-cnn和maskr-cnn均屬于兩階段深度學(xué)習(xí)檢測方法，它生成區(qū)域建議來定位潛在對象，然后對其進(jìn)行分類。fasterr-cnn及其區(qū)域提議網(wǎng)絡(luò)在效率上顯著提高，使其適合實(shí)時病蟲害檢測。

3、單階段檢測方法，如yolo算法也被應(yīng)用于害蟲檢測。yolov3算法在yolo的基礎(chǔ)上進(jìn)一步改進(jìn)，采用多尺度預(yù)測和更深的殘差網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步增強(qiáng)性能。yolov5算法專注于行業(yè)應(yīng)用，能夠提供更輕更快的實(shí)施。yolov8算法引入了anchor?free?目標(biāo)檢測算法，改進(jìn)了網(wǎng)絡(luò)架構(gòu)，并增強(qiáng)了數(shù)據(jù)處理能力，顯著提高了物體檢測的速度。

4、然而，現(xiàn)有技術(shù)中的yolov8算法的害蟲檢測精度仍然不夠高，算法魯棒性不夠強(qiáng)，導(dǎo)致無法滿足嚴(yán)苛場景下的高精度農(nóng)業(yè)害蟲檢測需求。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于提供一種基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，用于提升農(nóng)業(yè)害蟲檢測的精度和算法魯棒性。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下技術(shù)方案：一種基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，包括：

3、引入模塊，用于引入yolov8模型作為特征蒸餾的學(xué)生模型和教師模型；

4、特征提取模塊，連接所述引入模塊，用于分別從所述學(xué)生模型的學(xué)生特征編碼器提取學(xué)生特征圖，以及從所述教師模型的教師特征編碼器中提取教師特征圖；

5、第一處理模塊，連接所述特征提取模塊，用于將所述學(xué)生特征圖和所述教師特征圖輸入預(yù)設(shè)的通道對齊損失計(jì)算公式中，計(jì)算得到特征通道對齊損失作為特征蒸餾損失，并根據(jù)所述特征通道對齊損失指導(dǎo)所述學(xué)生模型在自適應(yīng)層與所述教師模型對齊相應(yīng)的多個特征通道；

6、第一計(jì)算模塊，連接所述第一處理模塊，用于計(jì)算所述學(xué)生模型與所述教師模型的一層中各所述特征通道之間的余弦相似度，得到鄰接矩陣；

7、第二計(jì)算模塊，連接所述第一計(jì)算模塊，用于根據(jù)所述學(xué)生模型的所述鄰接矩陣和所述教師模型的所述鄰接矩陣計(jì)算得到各所述特征通道間的幾何關(guān)系的對齊程度，以作為關(guān)系蒸餾損失；

8、第三計(jì)算模塊，分別連接所述第一計(jì)算模塊和所述第二計(jì)算模塊，用于根據(jù)所述特征蒸餾損失和所述關(guān)系蒸餾損失計(jì)算得到混合蒸餾損失，并根據(jù)所述混合蒸餾損失計(jì)算得到整體損失；

9、調(diào)整模塊，連接所述第三計(jì)算模塊，用于根據(jù)所述整體損失動態(tài)調(diào)整所述學(xué)生模型的權(quán)重參數(shù)，所述學(xué)生模型的輸入為多張未標(biāo)記的農(nóng)業(yè)害蟲圖像，所述學(xué)生模型的輸出為帶標(biāo)記的害蟲標(biāo)記圖像。

10、進(jìn)一步地，所述特征蒸餾計(jì)算公式配置為：

11、，

12、其中，用于表示特征通道對齊損失，以作為所述特征蒸餾損失，用于表示所述教師特征圖，用于表示所述學(xué)生特征圖，用于表示特征圖的總數(shù)，用于表示通道數(shù)，用于表示特征圖高度，用于表示特征圖寬度。

13、進(jìn)一步地，所述鄰接矩陣的計(jì)算公式配置為：

14、，

15、其中，用于表示所述鄰接矩陣，用于表示第層第通道的特征向量，用于表示第層第通道的特征向量，用于表示第層第通道的特征向量的歐幾里得范數(shù)，用于表示第層第通道的特征向量的歐幾里得范數(shù)。

16、進(jìn)一步地，所述關(guān)系蒸餾損失的計(jì)算公式配置為：

17、，

18、其中，用于表示所述關(guān)系蒸餾損失，用于表示所述教師模型的鄰接矩陣，用于表示所述學(xué)生模型的鄰接矩陣。

19、進(jìn)一步地，所述混合蒸餾損失的計(jì)算公式配置為：

20、，

21、其中，用于表示所述混合蒸餾損失。

22、進(jìn)一步地，所述整體損失的計(jì)算公式配置為：

23、，

24、其中，用于表示所述整體損失，用于表示預(yù)先配置的損失超參數(shù)。

25、進(jìn)一步地，還包括性能評估模塊，連接所述調(diào)整模塊，用于基于coco數(shù)據(jù)集對調(diào)整過程中的所述學(xué)生模型的平均精度進(jìn)行計(jì)算，以評估所述學(xué)生模型的性能。

26、進(jìn)一步地，所述平均精度的計(jì)算公式配置為：

27、，

28、其中，用于表示iou閾值為0.50時的第個對象的平均精度，用于表示iou閾值為t時的平均精度，用于表示對象總數(shù)。

29、進(jìn)一步地，還包括檢測模塊，連接所述第三計(jì)算模塊，用于實(shí)時檢測農(nóng)田中的光照強(qiáng)度、植被顏色、土壤顏色和田間雜物顏色，并將所述光照強(qiáng)度、所述植被顏色、所述土壤顏色和所述田間雜物顏色和所述損失超參數(shù)輸入預(yù)設(shè)的超參數(shù)優(yōu)化公式中，計(jì)算得到優(yōu)化后的所述損失超參數(shù)，進(jìn)而根據(jù)優(yōu)化后的所述損失超參數(shù)更新所述整體損失的計(jì)算公式。

30、進(jìn)一步地，所述超參數(shù)優(yōu)化公式配置為：

31、，

32、其中，用于表示害蟲顏色糾正值，用于表示初始害蟲顏色，用于表示害蟲紋理糾正值，用于表示初始害蟲紋理，用于表示所述光照強(qiáng)度，用于表示所述植被顏色，用于表示所述土壤顏色，用于表示所述田間雜物顏色，用于表示標(biāo)準(zhǔn)光照強(qiáng)度，用于表示標(biāo)準(zhǔn)植被顏色，用于表示標(biāo)準(zhǔn)土壤顏色，用于表示標(biāo)準(zhǔn)田間雜物顏色，、、、分別用于表示預(yù)設(shè)的光照轉(zhuǎn)換系數(shù)、植被轉(zhuǎn)換系數(shù)、土壤轉(zhuǎn)換系數(shù)和雜物轉(zhuǎn)換系數(shù)，用于表示優(yōu)化后的所述損失超參數(shù)，、分別用于表示顏色干擾值和紋理干擾值。

33、本發(fā)明的有益效果：

34、本發(fā)明首先提取學(xué)生特征圖和教師特征圖，然后利用特征精餾對齊教師模型和學(xué)生模型的特征通道，保證了學(xué)生特征圖與教師特征圖的良好對齊。此外，本發(fā)明還利用關(guān)系蒸餾保持了特征通道之間的相對關(guān)系，使學(xué)生模型能夠更好地理解和保存數(shù)據(jù)的固有結(jié)構(gòu)，進(jìn)一步提高了學(xué)生模型的泛化能力和檢測精度；

35、因此本發(fā)明通過整合特征蒸餾和關(guān)系蒸餾形成混合蒸餾訓(xùn)練學(xué)生模型，顯著提升了農(nóng)業(yè)害蟲檢測的實(shí)時檢測精度和算法魯棒性。

技術(shù)特征：

1.一種基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，其特征在于：所述特征蒸餾計(jì)算公式配置為：

3.根據(jù)權(quán)利要求2所述的基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，其特征在于：所述鄰接矩陣的計(jì)算公式配置為：

4.根據(jù)權(quán)利要求3所述的基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，其特征在于：所述關(guān)系蒸餾損失的計(jì)算公式配置為：

5.根據(jù)權(quán)利要求4所述的基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，其特征在于：所述混合蒸餾損失的計(jì)算公式配置為：

6.根據(jù)權(quán)利要求5所述的基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，其特征在于：所述整體損失的計(jì)算公式配置為：

7.根據(jù)權(quán)利要求1所述的基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，其特征在于：還包括性能評估模塊(8)，連接所述調(diào)整模塊(7)，用于基于coco數(shù)據(jù)集對調(diào)整過程中的所述學(xué)生模型的平均精度進(jìn)行計(jì)算，以評估所述學(xué)生模型的性能。

8.根據(jù)權(quán)利要求7所述的基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，其特征在于：所述平均精度的計(jì)算公式配置為：

9.根據(jù)權(quán)利要求6所述的基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，其特征在于：還包括檢測模塊(9)，連接所述第三計(jì)算模塊(6)，用于實(shí)時檢測農(nóng)田中的光照強(qiáng)度、植被顏色、土壤顏色和田間雜物顏色，并將所述光照強(qiáng)度、所述植被顏色、所述土壤顏色和所述田間雜物顏色和所述損失超參數(shù)輸入預(yù)設(shè)的超參數(shù)優(yōu)化公式中，計(jì)算得到優(yōu)化后的所述損失超參數(shù)，進(jìn)而根據(jù)優(yōu)化后的所述損失超參數(shù)更新所述整體損失的計(jì)算公式。

10.根據(jù)權(quán)利要求9所述的基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，其特征在于：所述超參數(shù)優(yōu)化公式配置為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于混合蒸餾框架的農(nóng)業(yè)害蟲實(shí)時檢測系統(tǒng)，包括：特征提取模塊，連接引入模塊提取學(xué)生特征圖以及教師特征圖；第一處理模塊將學(xué)生特征圖和教師特征圖輸入通道對齊損失計(jì)算公式中，計(jì)算得到特征通道，根據(jù)特征通道對齊損失指導(dǎo)學(xué)生模型對齊相多個特征通道；第一計(jì)算模塊計(jì)算各特征通道之間的余弦相似度得到鄰接矩陣；第二計(jì)算模塊根據(jù)學(xué)生模型和教師模型的鄰接矩陣計(jì)算得到各特征通道間的幾何關(guān)系的對齊程度，作為關(guān)系蒸餾損失；第三計(jì)算模塊根據(jù)特征蒸餾損失和關(guān)系蒸餾損失計(jì)算得到混合蒸餾損失，并根據(jù)混合蒸餾損失計(jì)算得到整體損失；調(diào)整模塊根據(jù)整體損失動態(tài)調(diào)整學(xué)生模型。本發(fā)明顯著提升農(nóng)業(yè)害蟲檢測的精度和算法魯棒性。

技術(shù)研發(fā)人員：馬宏宇,王乙億,厲央央,翁騰達(dá),馬龍華
受保護(hù)的技術(shù)使用者：寧波綠和時代科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30