[发明专利]一种轻量化解耦小麦赤霉病孢子检测方法

权利要求书

1.一种轻量化解耦小麦赤霉病孢子检测方法，其特征在于，包括以下步骤：

11）小麦赤霉病致病孢子显微图像获取及预处理：采集小麦赤霉病致病孢子显微图像，并利用spore-copy进行数据增广处理；

12）轻量化解耦小麦赤霉病孢子检测模型的构建：基于yolov7-tiny并嵌入Gsconv模块及Decoupled head模块构建出轻量化解耦小麦赤霉病孢子检测模型；

所述轻量化解耦小麦赤霉病孢子检测模型的构建包括以下步骤：

121）设定轻量化解耦小麦赤霉病孢子检测模型分为三部分，第一部分为GSD-YOLO特征提取Backbone模块、第二部分为GSD-YOLO特征融合neck模块、第三部分为GSD-YOL head预测模块；其中，在GSD-YOLO特征提取Backbone模块后堆叠GSD-YOLO特征融合neck模块、在GSD-YOLO特征融合neck模块后堆叠Decoupled解耦结构模块；

122）基于yolov7-tiny主干模块，构建GSD-YOLO特征提取Backbone模块：

1221）堆叠两层3×3初始卷积层模块；

1222）构建ELAN模块：第一条分支构建1×1卷积层改变通道维度，第二条分支先经过一个1×1的卷积层，再通过两个3×3的卷积模块进行特征提取，最后把两条分支得到的特征进行Concat链接；

1223）构建MP模块：第一条分支经过Maxpool最大池化进行下采样，再通过1x1的卷积进行通道数的改变；第二条分支构建1x1卷积，经过一个3x3卷积核、步长为2的卷积块完成下采样，最后把两条分支结果Concat链接，得到超级下采样结果；

1224）在两层3×3初始卷积层模块上堆叠ELAN模块；

1225）在ELAN模块上依次堆叠MP模块、ELAN模块；

1226）重复1225）操作三次；

1227）完成GSD-YOLO网络主干特征提取Backbone模块的构造；

123）构建GSD-YOLO特征融合neck模块：

1231）构建SPP模块：先构建1×1的卷积层，再通过三个不同Maxpool最大池化器得到三个尺度的感受野，三个不同Maxpool分别为5、9、13，之后将原有尺度感受野和经Maxpool得到的三尺度感受野Concat链接，再接入1×1卷积层改变通道维度；

1232）使用1231）SPP模块构建SPPCSPC模块：一部分接入1×1卷积层进行常规处理，另一部分接入SPP模块，最后把两个部分合并在一起；

1233）构建GSConv模块：第一条分支构建1×1卷积层，第二条分支构建DSC分离卷积层；将两个分支Concat链接后的特征图与标准卷积SC得到的特征图用shuffle的方式进行融合，最后输出GSConv模块特征图；

1234）堆叠SPPCSPC模块，再堆叠GSConv模块；

1235）依次顺序堆叠UPsample上采样模块、ELAN模块、GSConv模块；

1236）重复1235）操作两次；

1237）依次顺序堆叠ELAN模块、GSConv模块、ELAN模块；

1238）完成GSD-YOLO网络特征融合Neck模块的构造；

124）构建GSD-YOLO head预测模块：

1241）构建Decoupled解耦结构：首先构建1×1卷积层进行通道变化，再将特征分支一分为二，分别通过两个3×3卷积层；其次将第一分支继续通过1×1卷积层得到类别预测参数Cls，第二分支再一分为二，分别通过1×1卷积层，得到目标框参数Reg、前景/背景参数Obj；最后将三个分支的结果通过Concat拼接，再reshape将特征图展平成向量；

1242）完成GSD-YOLOhead预测模块的构造；

13）轻量化解耦小麦赤霉病孢子检测模型的训练：将预处理后的小麦赤霉病致病孢子显微图像输入轻量化解耦小麦赤霉病孢子检测模型进行训练；

14）获取待检测的小麦赤霉病致病孢子显微图像并进行预处理；

15）小麦赤霉病孢子检测结果的获得：将预处理后的待检测的小麦赤霉病致病孢子显微图像输入训练后的轻量化解耦小麦赤霉病孢子检测模型，获得小麦赤霉病孢子图像的检测结果。

2.根据权利要求1所述的一种轻量化解耦小麦赤霉病孢子检测方法，其特征在于，所述轻量化解耦小麦赤霉病孢子检测模型的训练包括以下步骤：

21）对原始小麦赤霉孢子图像数据完成spore-copy增强处理：

211）准备待增强与待分割孢子数据集和yolo格式标签, 依照标签裁剪目标孢子ROI图像，记录孢子种类类别并保存图像；

212）随机打乱211）步所得ROI孢子图像，并设定待增强数据集孢子增加阈值；

213）对所有ROI孢子图像进行高斯模糊、图像缩放、随机遮挡剪切，以拟合真实田间小麦赤霉病孢子群状态，然后坐标转换使用泊松融合，把ROI孢子图像随机嵌入待增强孢子图像中；其中嵌入过程使用两种策略：（1）选择某个孢子图像并且复制多次，放置至随机位置；（2）选择多个孢子复制每个一次至任意位置；

22）对spore-copy增强后的孢子数据集按照1：8：1将数据划分为 val、train、test；

23）为网络模型设置训练超参数，并传入预设的训练权重文件；同时选用优化器，设置weights的优化方式；然后设置余弦退火的学习率衰减方式；最后确定训练批次为16；训练迭代周期为300、目标置信度阈值为0.5、初始学习率为0.01、权重衰减系数设置为0.0005；

24）启动训练，并计算训练结果与对应的标注文件中的交叉熵损失，根据交叉熵损失的模型预测权重，不断进行迭代优化；

25）完成训练，得到轻量化解耦小麦赤霉病孢子检测模型。