[发明专利]设施番茄叶部病斑检测方法及靶向喷药装置

权利要求书

1.一种设施番茄叶部病斑检测方法，其特征在于：包括如下步骤：

S100、无损、非破坏性获取设施番茄植株原始图像；

S200、原始图像经过Input输入端缩放到标准尺寸并设定初始锚框；

S300、Input输入端输出的图像进入Backbone主干网络中，依次经过Focus模块切片成特征图、经过卷积核的卷积操作、经过CBAM_CSP结构进行特征聚合；

S400、经过聚合后的特征图进入Neck网络层聚合参数、提取设施番茄叶部病斑特征；

S500、提取的特征图进入Head输出端，经过Prediction结构训练的权重文件里的设施番茄叶部病斑特征以及损失函数进行目标预测，检测出图像中的病斑。

2.如权利要求1所述的设施番茄叶部病斑检测方法，其特征在于：所述步骤S200中的Input输入端、步骤S400中的Neck网络层以及步骤S500中的Head输出端与Yolov5s网络中的Input输入端、Neck网络层以及Head输出端相同；所述步骤S300中的Backbone主干网络是以Yolov5s网络中的Backbone主干网络为基础、并向Yolov5s网络中的Backbone主干网络中的CSP1_X模块中的Concat模块后添加CBAM通道空间注意力模块得到的。

3.如权利要求2所述的设施番茄叶部病斑检测方法，其特征在于：所述步骤S300中的Backbone主干网络进行特征聚合的步骤包括：

S310、从Focus模块切片卷积处理的特征图进入CBL模块进行卷积层Conv、批归一化BN、激活函数Leaky Relu处理；

S320、进入CBAM_BottleneckCSP1_1结构,分两个通道，一个通道进行Conv卷积，另一个通道连续进行一个CBL模块、一个残差组件Res unit和一个Conv卷积；

S330、两个通道进入Concat进行一个残差组件的特征融合；

S340、进入CBAM模块，先经过通道注意力模块ChannelAttebtion Module，再经过空间注意力模块Spatial Attention Module优化特征；

S350、优化特征经过BN、Leaky Relu、CBL处理，走完CBAM_BottleneckCSP1_1结构；

S360、优化特征连续两次执行如下操作：先CBL处理再进入CBAM_BottleneckCSP1_3结构进行三个残差组件的特征融合；

S370、经过CBL处理进入SPP结构进行多尺度特征融合完成特征图的特性融合。

4.如权利要求3所述的设施番茄叶部病斑检测方法，其特征在于：所述的步骤S500中，损失函数为权重损失函数Weight Loss，其由目标和分类损失函数、边界回归损失函数两大函数组成。

5.如权利要求4所述的设施番茄叶部病斑检测方法，其特征在于：所述的权重损失函数Weight Loss通过如下公式计算得到：

式中，α范围是[0,1]，β范围是[0，4]，p为经过Sigmoid函数的预测输出，y为真实样本标签；A_c为包含预测框和目标框的最小框面积；Target Box为目标框面积；Predict Box为预测框面积；IoU为目标框与预测框的交并比。

6.如权利要求5所述的设施番茄叶部病斑检测方法，其特征在于：所述的α＝0.5，β＝3。

7.一种靶向喷药装置，其特征在于：包括移动单元(10)、目标检测单元(20)以及喷药单元(30)，所述的移动单元(10)用于承载目标检测单元(20)和喷药单元(30)并带动这两个单元按设定路径移动，目标检测单元(20)根据权利要求1中的步骤S100-S500对设施番茄叶部图像进行检测，喷药单元(30)根据目标检测单元(20)的检测结果喷射对应药液到设施番茄的病害部位。