[发明专利]基于轻量级优化Yolo v4的茶叶病害识别方法及系统

权利要求书

1.一种基于轻量级优化Yolo v4的茶叶病害识别方法，其特征在于，所述识别方法包括以下步骤：

S1、采集茶叶病害图片，经预处理后作为训练Yolo v4模型的数据集；

S2、对Yolo v4模型中的特征提取主干模块和特征提取融合模块进行轻量级优化，获取优化后的Yolo v4模型；

S3、利用步骤S1中训练Yolo v4模型的数据集对优化后的Yolo v4模型进行训练和验证，获取识别茶叶病害的最优Yolo v4模型；

S4、利用步骤S3中得到的最优Yolo v4模型对茶叶病害图像进行识别。

2.根据权利要求1所述的基于轻量级优化Yolo v4的茶叶病害识别方法，其特征在于，步骤S1中采集茶叶病害图片，具体包括，利用手持数码相机采集茶园内不同时间点以及多种光照条件的茶叶病害图片。

3.根据权利要求1所述的基于轻量级优化Yolo v4的茶叶病害识别方法，其特征在于，步骤S1中，对采集的茶叶病害图片进行预处理，具体包括：

S11、设置茶叶病害特征成像阈值，根据茶叶病害特性成像阈值对采集的茶叶病害图片进行筛选，去除采集的茶叶病害图片中像素值低于茶叶病害特性成像阈值的茶叶病害图片；

S12、根据茶叶病害特征对筛选后的茶叶病害图片进行分类，获取茶叶病害图片的病害类别，所述茶叶病害特征包括病害形状及病害颜色；

S13、根据分类后的茶叶病害图片建立原始数据集，利用同类数据增强法对原始数据集中的茶叶病害图片进行扩充；

S14、将扩充后的原始数据集分为训练集、验证集和测试集；

S15、将训练集中不同病害类别的茶叶病害图片作为Mixup混类增强的输入样本，获取Mixup混类增强后的训练集；

S16、依据茶叶病害图片的病害类别和病害在叶片上所处的位置，对经过Mixup混类增强后的训练集和未经过Mixup混类增强的验证集中的茶叶病害图片进行yolo格式标注，根据经过yolo格式标注的训练集、验证集及未经过yolo格式标注的测试集生成用于训练Yolov4模型的数据集。

4.根据权利要求3所述的基于轻量级优化Yolo v4的茶叶病害识别方法，其特征在于，步骤S14中对扩充后的原始数据集按照7：2：1的比例分为训练集、验证集和测试集。

5.根据权利要求1所述的基于轻量级优化Yolo v4的茶叶病害识别方法，其特征在于，所述步骤S2对Yolo v4模型中的特征提取主干模块和特征提取融合模块进行轻量级优化，具体包括：

(1)采用轻量级MobilenetV2网络作为Yolo v4模型新的特征提取主干模块，并将MobilenetV2网络深层的激活函数由Relu6替换为h-swish，对MobilenetV2进行优化，其中激活函数h-swish的公式为：

式中，x表示MobilenetV2网络层中提取的茶叶病害特征信息；

(2)采用空洞卷积DT-Conv作为特征提取融合模块FPN结构中的卷积，采用深度可分离卷积DW-Conv作为特征提取融合模块PAN结构中的卷积，对Yolo v4模型中特征提取融合模块进行优化；

(3)提取方法(1)中优化后的MobilenetV2中不同网络层输出的特征图out1、out2和out3，所述特征图out1尺寸为52X52X32，所述特征图out2尺寸为26X26X96，所述特征图out3尺寸为13X13X320，其中32、96、320为三个特征图的通道数；

(4)将特征图out3输入到优化后的特征提取融合模块的SPPNet中，经SPPNet处理后将输出的特征图与特征图out1、out2一同输入到特征提取融合模块的PANet中。

6.根据权利要求5所述的基于轻量级优化Yolo v4的茶叶病害识别方法，其特征在于，步骤(4)中将特征图out3输入到优化后的特征提取融合模块的SPPNet中进行处理，具体包括：将特征图out3输入到特征提取融合模块的SPPNet中，经三次CBL卷积、四种尺度的分块池化处理以及Concat拼接。