[发明专利]一种自然果园场景下的柑橘木虱高精度检测方法及装置

权利要求书

1.一种自然果园场景下的柑橘木虱高精度检测方法，其特征在于，包括：

S1、获取待检测是否存在柑橘木虱的自然果园场景下的柑橘图像；

S2、通过预先训练得到的柑橘木虱检测模型对所述柑橘图像进行检测；所述检测模型通过多组训练数据对改进后的YOLOv4-Tiny网络模型进行训练得到的；所述多组训练数据的每一组数据包括柑橘木虱的目标框；所述改进后的YOLOv4-Tiny网络模型包括一条与浅层卷积层相连的路径，增加一个输出对小目标敏感的高分辨率输出特征图；

S3、根据所述检测模型的检测结果，确定所述柑橘图像是否存在柑橘木虱以及柑橘木虱的位置；

其中，所述改进后的YOLOv4-Tiny网络模型训练过程，包括：

S21、通过手持式拍摄设备采集果园中柑橘树上柑橘木虱的彩色图像，所述彩色图像包括柑橘木虱小目标或被枝叶干扰的柑橘木虱图像；

S22、对采集的彩色图像进行预处理；

S23、对YOLOv4-Tiny网络模型进行改进，增加一条与浅层卷积层相连的路径，增加一个输出对小目标敏感的高分辨率输出特征图，获得改进后的YOLOv4-Tiny网络模型；

S24、对改进后的YOLOv4-Tiny网络模型设置网络模型参数；

S25、设置网络模型参数后，使用预处理后的部分彩色图像对改进后的YOLOv4-Tiny网络模型进行迭代训练；

S26、当满足预设条件后，迭代训练所对应的改进后的YOLOv4-Tiny网络模型作为最终的检测模型；

所述步骤S23，包括：

S231、原YOLOv4-Tiny网络利用深层卷积层的信息，输出两张分辨率低的特征图；其中，改进后的YOLOv4-Tiny网络结构中，Input为输入的图像，包含三个数值，前两个数字为像素，第三个数字为通道数；Convolutional为卷积层，CSPResblock为跨阶段局部网络结构，FPN为特征金字塔网络，Upsample为上采样操作，Route为通道融合操作，YOLO Head则为模型的输出；并在原模型的特征融合网络的基础上添加一条与浅层卷积层相连的路径，增加一个对小目标敏感的高分辨率输出特征图；

S232、在原YOLOv4-Tiny网络结构其中的一个输出特征图上，通过上采样操作与新增的高分辨率输出特征图进行连接，融合模型中浅层的细节信息和深层的语义信息；获得改进后的YOLOv4-Tiny网络模型。

2.如权利要求1所述的方法，其特征在于，所述步骤S21对采集的彩色图像进行预处理，包括：

S211、对采集的彩色图像中的柑橘木虱标注目标框，包括木虱的位置和边框尺寸；

S212、将标注后的彩色图像数据按照预设比例构建训练集、验证集和测试集；

S213、对所述训练集中的彩色图像进行亮度调节、对比度调节、加入噪声和旋转四种操作扩增数据。

3.如权利要求1所述的方法，其特征在于，所述步骤S24包括：

S241、使用k-means++算法对训练集中的目标框大小进行聚类；根据模型输出目标框的数量设置聚类算法的k值，聚类的结果作为改进的YOLOv4-Tiny网络的目标框参数值；

S242、设置卷积神经网络输入图像的像素、batch size、mini-batch、权值的衰减速率、初始学习率和模型迭代次数。

4.如权利要求3所述的方法，其特征在于，所述步骤S241包括：

S2411、从所述训练集中随机选择1个样本作为第1个初始聚类中心；

S2412、计算每个样本与当前已有初始聚类中心的最短距离；

S2413、计算每个样本被选为下一个初始聚类中心的概率，按照轮盘法选择出下一个初始聚类中心；

S2414、重复步骤S2412步和步骤S2413,直到选择出k个初始聚类中心；

S2415、计算每个样本与k个聚类中心的距离，并将其分到距离最小的聚类中心，形成k个簇；

S2416、更新聚类中心为隶属簇全部样本的均值；-

S2417、重复步骤S2415和步骤S2416直到聚类中心不再变化，获得聚类的结果作为改进的YOLOv4-Tiny网络的目标框参数值。