[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

说明书

本发明公开了一种自然果园场景下的柑橘木虱高精度检测方法及装置，该方法包括：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；通过预先训练得到的柑橘木虱检测模型对柑橘图像进行检测；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；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；根据所述检测模型的检测结果，确定柑橘图像是否存在柑橘木虱以及柑橘木虱的位置。该方法基于对YOLOv4‑Tiny模型进行了改进，增加一个高分辨率的输出特征图，用于采样抽象小目标柑橘木虱的特征，可提升模型对目标柑橘木虱的检测精度。该方法可在复杂的田间环境下进行柑橘木虱的准确检测。

技术领域

本发明涉及农业计算机视觉的图像检测技术领域，具体涉及了一种基于YOLOv4-Tiny的自然果园场景下的柑橘木虱高精度检测方法及装置。

背景技术

柑橘产业作为千亿元级别的大产业，已经成为我国农民收入的重要来源。黄龙病是当前最严重的柑橘疾病之一，尚无有效的治疗方法，由于黄龙病的影响，全球柑橘产业受到严重威胁。柑橘木虱是柑橘黄龙病的主要传播媒介，对柑橘木虱进行检测与防控可以有效地控制黄龙病传播。

田间人工检测是常用的检测方法，如通过黄色粘虫板、捕虫网采集并计数和使用塑料棒敲打枝干取样等，这些方法都依赖于人工目测并且效率低下耗费劳动力。目前防治柑橘木虱的主要手段仍为化学防治，长期的不合理使用，不仅导致柑橘木虱出现了不同程度的抗药性，而且引发了环境污染和农药残留等一系列问题。

精确高效的柑橘木虱检测是防控柑橘黄龙病的重要前提，也是实现精准农业的关键环节。针对田间人工检测方法存在的问题，国内外诸多学者已经在基于卷积神经网络技术的农作物病虫害识别领域做了大量研究工作。韩国学者在柑橘病虫害分类领域开展系列研究，首先构建一个共有12561幅图像的数据集，包含24类柑橘病虫害，其中柑橘木虱图像有359张，其次基于DenseNet提出柑橘病虫害分类模型WeaklyDenseNet和BridgeNet-19，分类的准确率分别为93.42％和95.47％，模型大小分别为30.5MB和69.8MB。上述的两个模型主要应用于帮助农户进行柑橘病虫害分类，而不是专门针对柑橘木虱监测，因此模型的输出不包含柑橘木虱目标的位置和数量信息，无法精确判断柑橘木虱的虫害情况。美国学者以四轮摩托为行走机构，通过气动敲击机构拍打柑橘树的枝干，使柑橘木虱跌落至观察台，结合计算机视觉技术实现柑橘木虱检测，其中检测算法采用YOLOv1和YOLOv3目标检测模型，在总共8800幅白色背景下的柑橘木虱图像训练和测试，识别的准确率为80％，召回率为95％。美国橘园规模大，地势平坦，橘园的坡度小，柑橘树行距设置大，可以使用大型机械作业。而中国的柑橘大部分在山坡地种植，行株距也不统一，机械作业环境复杂，我国大部分的田间环境不适宜使用上述设备。

因此，如何针对我国柑橘园实际的种植情况，准确识别柑橘木虱是同行从业人员亟待解决的问题。

发明内容

鉴于上述问题，本发明提供一种自然果园场景下的柑橘木虱高精度检测方法及装置，该方法基于YOLOv4-Tiny对自然果园场景下的柑橘图像进行检测，能够解决自然果园场景下受复杂环境下准确检测的难题。

第一方面，本发明实施例提供一种自然果园场景下的柑橘木虱高精度检测方法，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。