[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

说明书

本发明公开了一种基于轻量级优化Yolo v4的茶叶病害识别方法及系统，所述方法包括：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；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；利用训练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；利用得到的最优Yolo v4模型对茶叶病害图像进行识别。通过本发明有效减少了原始Yolo v4网络模型庞大的参数量和模型体积，并提升了茶叶病害目标的检测效率和识别精度。

技术领域

本发明涉及农作物病害目标检测技术领域，更具体的说是涉及一种基于轻量级优化Yolo v4的茶叶病害识别方法和系统。

背景技术

中国四大产茶区的茶叶总产量占据了全球茶叶产量的40％以上，位居世界第一。然而，多发、易通过风雨传播的茶叶部病害(如茶白星病、茶炭疽病、茶藻斑病等)历来是严重影响茶叶产量的关键因素。因此，在茶叶生长周期内尽早实现对茶叶病害的快速识别、减少农药剂量的使用，对于提高茶农对病害的响应速度、辅助茶农治理病害、促进我国茶业生产的智能化发展具有重要意义。常见的茶叶病害主要有茶白星病、茶炭疽病、茶叶枯病和茶藻斑病等。茶农和植保专家对茶叶病害的判别和分析易受主观经验的影响，缺乏客观的可量化标准，且人工发现病害的时间点往往具有滞后性。近年来，以深度学习为代表的各种算法和模型极大得促进了人工智能在农作物病害识别领域中的应用与发展，主要有病害图像分类和目标病害识别两大应用方向。

目前，基于深度学习的茶叶病害分类研究中，研究者往往将所采集的茶叶病害图片裁剪成每张只有一片病害茶叶的图片，再通过分类网络如AlexNet、VGG16、轻量级MobileNet等进行简单的病害分类，这并未充分考虑到真实茶园场景中叶片相互遮挡、成像质量不稳定的复杂性以及识别病害的实时性需求。近年来，以Yolo V4为代表的端到端目标检测算法在多种特定场景下都有着不错的识别精度和速度，但缺点是相对应的网络模型参数量和计算量过大，难以在GPU算力资源有限的嵌入式设备或移动端部署运行；且茶叶病害在茶叶上的分布具有较高的随机性，不同的病害类型在各自的多发时期内形状、颜色、纹理等特征存在着一定的相似性，导致未经改进优化的原始Yolo V4算法对茶叶病害的误检率较高。

因此，如何减少原始Yolo v4网络模型庞大的参数量和模型体积，并提升茶叶病害目标的检测效率和识别精度是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于轻量级优化Yolo v4的茶叶病害识别方法和系统，显著减小了原始Yolo v4网络模型庞大的参数量和模型体积，并提升了真实茶园场景中对于茶叶病害目标的检测效率和识别精度表现，使得优化后的Yolo v4易于移植、部署在嵌入式设备或移动端平台中，可辅助茶农病害防治，本发明可广泛应用于智慧茶园病害的实时检测。

为了实现上述目的，本发明采用如下技术方案：

本发明一方面公开了一种基于轻量级优化Yolo v4的茶叶病害识别方法，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。

优选的，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。

优选的，步骤S1中，对采集的茶叶病害图片进行预处理，具体包括：