本發(fā)明屬于人工智能計(jì)算機(jī)視覺(jué)檢測(cè)，尤其涉及基于無(wú)人機(jī)遙感和改進(jìn)yolov8的小麥赤霉病輕量化檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、小麥赤霉病是由多種鐮刀菌引起的全球小麥生產(chǎn)中最廣泛和最具破壞力的病害之一，嚴(yán)重時(shí)會(huì)減產(chǎn)80％～90％，甚至顆粒無(wú)收，且赤霉病產(chǎn)生的次生代謝產(chǎn)物均為毒素，人畜誤食后嚴(yán)重危害健康。因此在小麥生長(zhǎng)過(guò)程中實(shí)現(xiàn)赤霉病發(fā)生發(fā)展的及時(shí)準(zhǔn)確監(jiān)測(cè)，進(jìn)而采取有效的防治措施，對(duì)確保小麥優(yōu)質(zhì)、高效、安全生產(chǎn)具有重要意義。此外從gb/t15796—2011《小麥赤霉病測(cè)報(bào)技術(shù)規(guī)范》中了解到，統(tǒng)計(jì)小麥赤霉穗數(shù)是獲取赤霉病病情嚴(yán)重度的重要依據(jù)，且是研究小麥抗性育種(抗赤霉病)的重要指標(biāo)。因此，實(shí)現(xiàn)對(duì)小麥穗赤霉病的檢測(cè)有利于評(píng)估病害對(duì)小麥產(chǎn)量和質(zhì)量的影響，指導(dǎo)農(nóng)戶和相關(guān)人員采取相應(yīng)的控制和管理措施。

2、目前針對(duì)小麥穗赤霉病識(shí)別的方法主要有人工田間目視調(diào)查、高光譜成像等?；谌斯つ恳曊{(diào)查的方法耗時(shí)耗力，且不利于大規(guī)模調(diào)查防治；高光譜成像技術(shù)因其抗干擾能力強(qiáng)、檢測(cè)速度快等特點(diǎn)廣泛應(yīng)用于作物病害檢測(cè)領(lǐng)域，結(jié)合光譜分析與圖像處理技術(shù)，可以精確地識(shí)別出小麥赤霉病籽粒。雖然高光譜技術(shù)能達(dá)到較高的識(shí)別精度，但高光譜成像儀較為昂貴且笨重，難以在田間進(jìn)行實(shí)時(shí)檢測(cè)。

3、隨著人工智能的發(fā)展，計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)的相關(guān)技術(shù)在不斷的被突破，越來(lái)越多的研究人員利用深度學(xué)習(xí)技術(shù)和圖像處理方法檢測(cè)農(nóng)作物病蟲(chóng)害。通過(guò)圖像處理技術(shù)和深度學(xué)習(xí)技術(shù)輔助小麥種植戶和植保人員進(jìn)行小麥赤霉病防治，這對(duì)農(nóng)業(yè)病害自動(dòng)化識(shí)別的發(fā)展有著深遠(yuǎn)的意義。針對(duì)小麥病害檢測(cè)方法研究，盡管已有文獻(xiàn)實(shí)現(xiàn)了較為準(zhǔn)確的檢測(cè)目標(biāo)，但大多數(shù)僅限于實(shí)驗(yàn)室環(huán)境中，較少考慮在復(fù)雜大田自然環(huán)境和多目標(biāo)環(huán)境下，實(shí)現(xiàn)計(jì)算量更小、時(shí)延更低且檢測(cè)精度更高的小麥赤霉病檢測(cè)。

4、為了解決上述問(wèn)題，本發(fā)明提出了一種基于無(wú)人機(jī)遙感和改進(jìn)yolov8的小麥赤霉病輕量化檢測(cè)方法及系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于無(wú)人機(jī)遙感和改進(jìn)yolov8的小麥赤霉病輕量化檢測(cè)方法及系統(tǒng)以解決上述背景技術(shù)中提出的現(xiàn)有技術(shù)中等較少考慮在復(fù)雜大田自然環(huán)境和多目標(biāo)環(huán)境下，實(shí)現(xiàn)計(jì)算量更小、時(shí)延更低且檢測(cè)精度更高的小麥赤霉病檢測(cè)問(wèn)題；本發(fā)明基于yolo系列中最新發(fā)布的、具有更高精度以及更小參數(shù)量和模型大小的yolov8模型，對(duì)小麥赤霉病檢測(cè)方法進(jìn)行改進(jìn)和優(yōu)化，以期為算力有限的移動(dòng)設(shè)備研制一種精確度高和檢測(cè)速度快的小麥赤霉病檢測(cè)模型。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案實(shí)現(xiàn)：

3、基于無(wú)人機(jī)遙感及改進(jìn)yolov8的小麥赤霉病檢測(cè)方法，包括以下步驟：

4、s1、利用無(wú)人機(jī)采集自然大田環(huán)境下的小麥灌漿期原始圖像；

5、s2、對(duì)原始圖像數(shù)據(jù)集進(jìn)行篩選、數(shù)據(jù)增強(qiáng)及標(biāo)注，建立小麥赤霉病圖像數(shù)據(jù)集；

6、s3、構(gòu)建改進(jìn)yolov8的輕量化網(wǎng)絡(luò)模型；

7、s4、將原始圖像數(shù)據(jù)集輸入至改進(jìn)yolov8網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

8、s5、測(cè)試改進(jìn)yolov8網(wǎng)絡(luò)模型，更新改進(jìn)的yolov8網(wǎng)絡(luò)模型的學(xué)習(xí)參數(shù)；

9、s6、利用已更新的改進(jìn)的yolov8網(wǎng)絡(luò)模型對(duì)待檢測(cè)的小麥赤霉病數(shù)據(jù)進(jìn)行檢測(cè)，對(duì)模型的復(fù)雜度和準(zhǔn)確度進(jìn)行評(píng)估。

10、優(yōu)選地，所述s1具體包括如下內(nèi)容：

11、s101、選取一塊患赤霉病的自然大田環(huán)境下的灌漿期麥田；

12、s102、利用無(wú)人機(jī)，規(guī)劃“s”型飛行航線，在相同高度和間隔相同時(shí)間進(jìn)行定向拍照，完成數(shù)據(jù)采集。

13、優(yōu)選地，所述s2具體包括如下內(nèi)容：

14、s201、篩選出小麥赤霉病數(shù)據(jù)少、中等以及密集三種圖像數(shù)據(jù)，確保各種樣本均存在數(shù)據(jù)集中，滿足數(shù)據(jù)的多樣性；

15、s202、采用圖像旋轉(zhuǎn)和調(diào)整圖像參數(shù)的方式進(jìn)行數(shù)據(jù)增強(qiáng)，豐富數(shù)據(jù)集；

16、s203、根據(jù)每張圖像中的小麥患病情況，使用labelimg對(duì)建立的圖像數(shù)據(jù)集中每一個(gè)赤霉病麥穗進(jìn)行標(biāo)注，標(biāo)注為一類(lèi)，即scab；在對(duì)小麥赤霉病穗進(jìn)行標(biāo)注的時(shí)候，將整個(gè)麥穗包含在框中，同時(shí)對(duì)露出超過(guò)三分之一部分的麥穗進(jìn)行標(biāo)注。

17、優(yōu)選地，所述s3具體包括如下內(nèi)容：

18、基于yolov8模型，使用starnet網(wǎng)絡(luò)完全替換其骨干網(wǎng)絡(luò)(backbone)；所述starnet網(wǎng)絡(luò)采用4級(jí)分層架構(gòu)，利用卷積層進(jìn)行下采樣，并使用改進(jìn)后的模塊進(jìn)行特征提??；將層規(guī)范化(layer?normalization)替換為批量規(guī)范化(batch?normalization)，并將其放置在深度卷積之后，并在每個(gè)塊的末尾加入一個(gè)深度卷積(dw-conv)；將通道擴(kuò)展因子設(shè)置為4，網(wǎng)絡(luò)寬度在每個(gè)階段加倍；

19、在頸部網(wǎng)絡(luò)(neck)部分使用新的輕量級(jí)卷積gsconv模塊代替普通卷積操作，并用vov-gscsp模塊代替原有的c2f模塊；所述gsconv模塊是由稀疏卷積(sparse?convolution，sc)、深度可分離卷積(depthwise?separable?convolution，dsc)和混洗(a?shuffle)組成的混合卷積；所述vov-gscsp模塊結(jié)合densnet、vovnet、cspnet，采用輕量級(jí)卷積方法gsconv替代標(biāo)準(zhǔn)卷積，并在gsconv之上進(jìn)一步引入gs?bottleneck，以增強(qiáng)模型的學(xué)習(xí)能力，降低計(jì)算復(fù)雜度，簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，同時(shí)保持足夠的精度。

20、優(yōu)選地，所述s4具體包括如下內(nèi)容：

21、s401、將數(shù)據(jù)集按照8:1:1劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

22、s402、使用預(yù)訓(xùn)練好的網(wǎng)絡(luò)權(quán)重作為初始權(quán)重，采用遷移學(xué)習(xí)的方法利用訓(xùn)練集對(duì)改進(jìn)yolov8模型進(jìn)行訓(xùn)練；

23、預(yù)訓(xùn)練好的權(quán)重迭代100個(gè)epoch，在訓(xùn)練的前50個(gè)epoch凍結(jié)骨干網(wǎng)絡(luò)，學(xué)習(xí)率設(shè)置為1e-4，衰減率設(shè)置為0.96；50個(gè)epoch后，骨干網(wǎng)解凍，學(xué)習(xí)率設(shè)置為1e-5，衰減率設(shè)置為0.96；

24、s403、采用驗(yàn)證集驗(yàn)證訓(xùn)練后的改進(jìn)yolov8模型。

25、優(yōu)選地，所述s5具體包括如下內(nèi)容：

26、使用劃分的測(cè)試集對(duì)改進(jìn)yolov8網(wǎng)絡(luò)模型進(jìn)行測(cè)試并不斷優(yōu)化，確定改進(jìn)yolov8網(wǎng)絡(luò)模型的學(xué)習(xí)參數(shù)，并記錄改進(jìn)yolov8模型與原模型以及對(duì)比模型(yolov9、yolov10)的各種參數(shù)，如計(jì)算量、參數(shù)量和準(zhǔn)確度等。

27、優(yōu)選地，s6中所述利用已更新的改進(jìn)的yolov8網(wǎng)絡(luò)模型對(duì)待檢測(cè)的小麥赤霉病數(shù)據(jù)進(jìn)行檢測(cè)，具體包括如下內(nèi)容：

28、s601、點(diǎn)擊輸入圖像，選擇待檢測(cè)的單張小麥赤霉病圖像；

29、s602、得到圖像檢測(cè)結(jié)果；

30、s603、返回主界面。

31、應(yīng)用于上述方法中的基于無(wú)人機(jī)遙感和改進(jìn)yolov8的小麥赤霉病檢測(cè)系統(tǒng)，包括：

32、圖像輸入單元，用于對(duì)待檢測(cè)圖像進(jìn)行輸入檢測(cè)；

33、檢測(cè)模塊，改進(jìn)yolov8模型，包括輸入層、backbone網(wǎng)絡(luò)層、neck連接部分層、head檢測(cè)頭和輸出層，其中使用starnet模型替換yolov8網(wǎng)絡(luò)結(jié)構(gòu)的骨干網(wǎng)絡(luò)，在頸部網(wǎng)絡(luò)部分使用gsconv代替普通卷積操作，以及用vov-gscsp模塊代替原有的c2f模塊，用于對(duì)圖像進(jìn)行檢測(cè)；

34、輸出單元，用于輸出小麥赤霉病檢測(cè)結(jié)果，使用可視化界面向用戶展示檢測(cè)結(jié)果。

35、進(jìn)一步提出一種計(jì)算機(jī)設(shè)備，所述計(jì)算機(jī)設(shè)備包括處理器和存儲(chǔ)器，所述存儲(chǔ)器中存儲(chǔ)有至少一條指令、至少一段程序、代碼集或指令集，所述指令、程序、代碼集或指令集由處理器加載并執(zhí)行以實(shí)現(xiàn)上述基于無(wú)人機(jī)遙感及改進(jìn)yolov8的小麥赤霉病檢測(cè)方法。

36、進(jìn)一步提出一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有至少一條指令、至少一段程序、代碼集或指令集，所述指令、程序、代碼集或指令集由處理器加載并執(zhí)行以實(shí)現(xiàn)上述基于無(wú)人機(jī)遙感及改進(jìn)yolov8的小麥赤霉病檢測(cè)方法。

37、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

38、(1)本發(fā)明提出一種基于無(wú)人機(jī)遙感和改進(jìn)yolov8的小麥赤霉病輕量化檢測(cè)方法，在對(duì)小麥赤霉病檢測(cè)時(shí)，不僅能精準(zhǔn)檢測(cè)復(fù)雜場(chǎng)景下和多目標(biāo)場(chǎng)景下的小麥赤霉病特征，而且在快速檢測(cè)應(yīng)用方面，可為無(wú)人機(jī)等移動(dòng)終端檢測(cè)裝備部署應(yīng)用小麥病害智能檢測(cè)提供參考。

39、(2)本發(fā)明還提出一種基于無(wú)人機(jī)遙感和改進(jìn)yolov8的小麥赤霉病輕量化檢測(cè)網(wǎng)絡(luò)，其改進(jìn)yolov8模型引入starnet網(wǎng)絡(luò)，降低主干網(wǎng)絡(luò)的復(fù)雜度和超參數(shù)量；在頸部網(wǎng)絡(luò)部分使用gsconv代替普通卷積操作，用vov-gscsp模塊代替原有的c2f模塊，在減少模型計(jì)算復(fù)雜度和推理時(shí)間的同時(shí)保持其準(zhǔn)確性。在保證高識(shí)別精度的同時(shí)，改進(jìn)后的模型的參數(shù)量及計(jì)算量相比原yolov8s基線模型分別降低了48.9％和50.7％，實(shí)現(xiàn)高精度且較yolov8更加輕量化的算法模型。