[发明专利]基于改进型YOLOX的农作物病虫害识别方法、系统及存储介质

说明书

本发明涉及农业智能化相关领域，公开了基于改进型YOLOX的农作物病虫害识别方法、系统及存储介质，通过残差网络Residual的使用，不需要处理残差边直接将主干的输入与输出结合，CSPnet网络可以优化残差边的处理，Focus网络的可以扩宽通道数，SiLU激活函数在深度模型中更加平滑，SPP结构可以提高网络的感受野，使用上采样和下采样可以进行特征融合，通过将YOLOX神经网络与深度学习框架Keras相结合，开启num_worker多线程并行GPU运算，使得GPU运算速度大于其读取图像速度，加快模型的训练速度，解决了因GPU的运算能力无法得到充分发挥而导致的GPU运算速度小于图像读取速度的问题和因可视化程度较低而导致无法流畅开启视频检测的问题。

技术领域

本发明涉及农业智能化相关领域，具体是基于改进型YOLOX的农作物病虫害识别方法、系统及存储介质。

背景技术

在农林业领域中，病虫害是对其影响十分巨大的灾害之一，病虫害的发生，会严重的影响到农作物的正常生长，造成产量的降低甚至农作物死亡等情况发生，而传统人工管理和药物喷洒的方式，往往执行时病虫害已经扩散，且大量药物的使用影响生态平衡。

因此结合现有的数字信技术进行更加及时并合理安全的使用除虫药物十分重要，通过对作物进行监测，在传感器以及分析程序的协同的作用下，判断作物所需要进行的害虫应对方案。

传统的算法在使用GPU读取图像时无法进行多线程运算，不能充分发挥其运算能力。在视频检测时，传统算法对图像进行解码使用tf激活DecodeBox函数，可视化程度较低。

发明内容

本发明的目的在于提供一种基于改进型YOLOX的农作物病虫害识别方法、系统及存储介质，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于改进型YOLOX的农作物病虫害识别方法，包含以下步骤：

接收来自传感单元的图片，使用预设的CSPDarknet主干特征提取网络对所述图片进行提取处理，获取三个有效特征层，所述提取处理包括对图片像素的切片计算、通道数扩宽、图像的宽高压缩以及特征融合；

使用FPN加强特征提取网络对三个所述有效特征层进行加强处理，获取与所述有效特征层相对应的加强特征的shape层，所述加强处理包括特征处理与特征层堆叠；

通过YOLO head预测网络对所述shape层进行预测和分析，生成识别结果，所述识别结果用于对象标记。

作为本发明的进一步方案：所述CSPDarknet主干特征提取网络包括残差网络Residual、CSPnet网络结构、Foucus网络、SiLU激活函数以及SPP结构；

所述残差网络Residual的主干部分用于执行一次1*1和一次3*3的卷积，残差边部分不做处理，结合主干部分的输入输出；

所述CSPnet网络结构用于将内部叠加的残差卷积块划分为分别继续在函数内部叠加以及直接与网络最后连接的两个部分；

所述Foucus网络用于对所述图片进行切片计算，以获得多个独立的特征层，并对所述特征层进行叠加，以将图像的宽高信息集中到通道信息，将输入通道扩充相应倍数；

所述SiLU激活函数在网络结构中不具有上边界与下边界，因此特性显示更加平滑与不单调；

所述SPP结构通过不同池化核大小的最大池化进行特征提取。

作为本发明的再进一步方案：所述FPN包括上采样与特征结合、CSPlayer特征提取与下采样与特征结合三个功能模块，使用FPN加强特征提取网络对三个所述有效特征层进行处理的步骤主要包括：