[发明专利]基于YOLOv4的害虫检测方法、系统、装置及可读存储介质

权利要求书

1.一种基于YOLOv4的害虫检测方法，其特征在于，包括以下步骤：

获取各个虫害种类的图片形成原始数据集；

对原始数据集做样本增强处理并分成训练数据集、验证数据集和测试数据集；

基于k-means聚类算法对YOLOv4网络模型的锚框参数值进行修改，基于交叉熵损失函数对YOLOv4网络模型的损失函数进行修改，其中，所述对YOLOv4网络模型的锚框参数值进行修改，具体为：基于k-means聚类算法得到三个尺度下最优的锚点，将其作为训练YOLOv4害虫检测模型的锚框参数值；所述基于交叉熵损失函数对YOLOv4网络模型的损失函数进行修改，修改后表示为：

将训练数据集输入YOLOv4网络模型进行训练，训练完成后将测试数据集和验证数据集作为输入，对训练结果进行验证，进而得到改进YOLOv4害虫检测模型；

基于改进YOLOv4害虫检测模型对待检测害虫图片进行识别，得到害虫识别结果；

其中，还包括以下步骤：对待检测害虫图片进行完善处理，具体为：

将原始数据集中的图像根据害虫的身体结构进行归类，并基于每一类害虫的结构特征对每个进行标记；

若待检测害虫图片中的害虫图像为残缺图像，则对图像中害虫图像进行结构特征提取，并将提取的特征与原始数据集中标记的每一类结构特征进行比对，得到比对结果，其中，比对结果至少推荐三组；

基于比对结果补足残缺害虫图像剩余部分，得到害虫图像完整的待检测害虫图片。

2.根据权利要求1所述的一种基于YOLOv4的害虫检测方法，其特征在于，所述增强处理包括加噪声处理、图像扩充处理、旋转处理、图像融合处理及随机擦除处理中的一种或几种。

3.根据权利要求1所述的一种基于YOLOv4的害虫检测方法，其特征在于，还包括以下步骤：对所述训练数据集中的所有数据进行归一化处理，通过对归一化处理后的数据进行随机划分，得到训 练数据集、验证数据集和测试数据集。

4.根据权利要求1所述的一种基于YOLOv4的害虫检测方法，其特征在于，还包括以下步骤：

将原始数据集中的害虫大小按照害虫形态至少分为三类原始数据集，基于每一类别原始数据集得到每一类别的改进YOLOv4害虫检测模型。

5.一种基于YOLOv4的害虫检测系统，其特征在于，包括数据获取模块、处理划分模块、参数修改模块、模型训练模块和图片识别模块；

所述数据获取模块，用于获取各个虫害种类的图片形成原始数据集；

所述处理划分模块，用于对原始数据集做样本增强处理并分成训练数据集、验证数据集和测试数据集；

所述参数修改模块，用于基于k-means聚类算法对YOLOv4网络模型的锚框参数值进行修改，基于交叉熵损失函数对YOLOv4网络模型的损失函数进行修改，修改后表示为：

所述模型训练模块，用于将训练数据集输入YOLOv4网络模型进行训练，训练完成后将测试数据集和验证数据集作为输入，对训练结果进行验证，进而得到改进YOLOv4害虫检测模型；

所述参数修改模块，用于对YOLOv4网络模型的锚框参数值进行修改，具体为：基于k-means聚类算法得到三个尺度下最优的锚点，将其作为训练YOLOv4害虫检测模型的锚框参数值；

所述模型训练模块，用于将训练数据集输入YOLOv4网络模型进行训练，训练完成后将测试集和验证集作为输入，对训练结果进行验证，进而得到改进YOLOv4害虫检测模型；

所述图片识别模块，用于基于改进YOLOv4害虫检测模型对待检测害虫图片进行识别，得到害虫识别结果；

其中，还包括以下步骤：对待检测害虫图片进行完善处理，具体为：

将原始数据集中的图像根据害虫的身体结构进行归类，并基于每一类害虫的结构特征对每个进行标记；

若待检测害虫图片中的害虫图像为残缺图像，则对图像中害虫图像进行结构特征提取，并将提取的特征与原始数据集中标记的每一类结构特征进行比对，得到比对结果，其中，比对结果至少推荐三组；

基于比对结果补足残缺害虫图像剩余部分，得到害虫图像完整的待检测害虫图片。