[发明专利]一种基于改进EfficientDet的荔枝病虫害检测方法

说明书

本发明公开了一种基于改进EfficientDet的荔枝病虫害检测方法，针对实时场景下的图像复杂背景采用Mosaic数据增强方法，使模型学习更丰富的背景信息，且提升小目标的检测效果；采用更轻量化的改进骨干特征提取网络EfficientNetv2‑s，提升网络的训练速度；采用SPP模块进一步提取有用的特征信息；采用效果比BiFPN更好的纵向跨层特征融合网络PaFPN，提升模型的检测效果；采用CIoULoss提升模型的收敛速度和回归精度，采用DIoUnms非极大值抑制，减少对重叠目标的抑制。通过改进的EfficientDet目标检测模型，提供实时性更强，准确率更高的实时场景下荔枝病虫害的检测识别方法。

技术领域

本发明涉及计算机视觉技术领域，更具体的说是涉及一种基于改进EfficientDet的荔枝病虫害检测方法。

背景技术

荔枝与香蕉、菠萝、龙眼一同号称“南国四大果品”，同时因其具有很高的药用价值，素有“果中之王”的美誉，在我国林果中占据着重要位置，作为我国华南地区最为重要的经济林果树之一，因国内和国际双循环的经济快速发展，荔枝被大面积种植，其栽培品种也日益增多，加上荔枝树喜高湿高温，喜光向阳，以及华南地区的气候条件等原因，荔枝病虫害的发生也日趋严重。荔枝病虫害不仅种类繁多，而且它们的发病周期长、防治困难，是影响荔枝生产和品质的重要制约因素。荔枝常见病虫害主要有荔枝炭疽病、荔枝毛毡病、荔枝叶瘿蚊、荔枝藻斑病和荔枝煤烟病等。如何防治荔枝病虫害成为提高荔枝增收和品质的关键问题之一。

智慧农业是智慧经济主要的组成部分，是现代科学技术与农业种植相结合，从而实现无人化、自动化、智能化管理。实时的图像处理与计算机视觉是智慧农业发展中不可或缺的重要组成部分之一，主要包括图像识别、目标检测、语义分割、实例分割、运动跟踪等。其中，荔枝病虫害的检测任务本质上属于目标检测问题。荔枝病虫害的目标检测可以有效代替人工检测识别，降低栽培成本，提供强大的实时性和准确率，在早期的精准检测可以有效减缓病虫害传播，对荔枝业和智慧农业的发展具有重要的现实意义。

当前，深度学习的发展得到大力推进，优秀的目标检测算法不断推陈出新，均向着更轻量更快更精确的模型发展。基于深度学习的目标检测算法主要分为两类：两阶段算法和一阶段算法。具体来说，两阶段算法首先在图像上生成候选目标，再对每个候选目标分别进行分类和边界回归；一阶段算法则直接完成对图像上所有目标的分类和回归。最具代表性的两阶段算法为R-CNN系列，包括Faster R-CNN、Mask R-CNN、Cascade R-CNN等；最具代表性的一阶段算法有YOLO系列、SSD、RetinaNet和EfficientDet。其中，目标检测算法通常使用主流的分类网络作为骨干网络(back bone)，越优秀的骨干网络，对于特征的提取效果越好，越有利于算法对图像中目标的检测。目标检测中主流的骨干网络通常有DarkNet、ResNet和EfficientNet等。近年来，目标检测算法的发展通常在骨干网络和检测器之间的中间层进行改进，以收集不同尺度且更优的特征图，目前这种中间层的特征融合网络主要有FPN、PANet、NAS-FPN和BiFPN等。

EfficientDet是2019年由Google提出，它是基于EfficientNet，使用了BiFPN的高效目标检测算法，分别有EfficientDet-d0到d7共八个版本，每个版本的检测准确率依次增高，但是检测速度依次下降且模型大小依次增大。它的提出在当年COCO数据集同比其他算法展现了最高性能，具有最优良的检测效果和检测速度，尽管荔枝病虫害的背景复杂，每种病虫害的目标数量不均匀，也能够满足荔枝病虫害检测的实时性和准确性需求。

因此，如何提高病虫害检测精度和速度是本领域技术人员亟需解决的问题。

发明内容