[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

说明书

本发明公开基于YOLOv4的害虫检测方法，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；将训练数据集输入YOLOv4网络模型进行训练，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。能快速对待检测害虫图片进行识别，得到识别结果，不仅快速还能有效缓解随深度加深而出现的梯度不稳定情况，而且算法的检测精度也得到了显著提升。

技术领域

本发明涉及大数据处理技术领域，尤其涉及一种基于YOLOv4的害虫检测方法、系统、装置及可读存储介质。

背景技术

目前，大面积栽培的农、林植物，为昆虫提供了十分充足的食物，因此害虫的虫类和数量都非常的多。就截止到目前为止，从我国对害虫种类的记载可以得知：水稻害虫约有300种，棉花害虫已经超过了300种，苹果害虫超过160种，桑树害虫约200种。由于害虫种类繁多并且对农作物伤害很大，因此，农作物病虫害的管理及防治工作对于农作物的产量和品质有着至关重要的影响，帮助农户快速且正确地识别田间病虫害可以最大程度地提高管理措施的有效性和及时性，减少灾害程度和为害面积，有力保障农产品安全，降低经济损失。

传统的识别田间病虫害都是人工去识别的，但是，识别并不是所有人都会进行识别，可能昆虫学专家在区分昆虫时需要耗费大量的时间和精力，更别说普通的缺乏虫害相关的知识农业工作者，识别工作很难进行。然而，识别虫害，利用虫害检测的方法可以有效的提升科研人员的效率，同时可以给普通的农业工作者提供虫害方向的知识科普，帮助所有农业工作者判断虫害的类型以及提出有效的虫害防治措施。

随着大数据研究越来越多，基于卷积神经网络的深度学习是机器学习领域中一个新的研究方向，深度学习方法学习样本数据内在的规律，获取到数据内在的信息，这种信息对文字、图像、语音等数据解释有很大的帮助，在现有技术中也在尝试着将深度学习和害虫识别相互结合进行害虫识别，不过目前存在的几种基于大数据进行识别的方法准确性比较低，分类不够精确。

发明内容

本发明针对现有技术中的缺点，提供了一种基于YOLOv4的害虫检测方法、系统、装置及可读存储介质。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于YOLOv4的害虫检测方法，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；

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。

作为一种可实施方式，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，将作为训练YOLOv4害虫检测模型的锚框参数值。

作为一种可实施方式，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。

作为一种可实施方式，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：