CN113516647A - 微型真菌类作物病害检测方法 - Google Patents

微型真菌类作物病害检测方法 Download PDF

Info

Publication number
CN113516647A
CN113516647A CN202110849619.XA CN202110849619A CN113516647A CN 113516647 A CN113516647 A CN 113516647A CN 202110849619 A CN202110849619 A CN 202110849619A CN 113516647 A CN113516647 A CN 113516647A
Authority
CN
China
Prior art keywords
micro
model
crops
fungal
steps
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110849619.XA
Other languages
English (en)
Other versions
CN113516647B (zh
Inventor
段强
温杰
李锐
王建华
张晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Inspur Scientific Research Institute Co Ltd
Original Assignee
Shandong Inspur Scientific Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Inspur Scientific Research Institute Co Ltd filed Critical Shandong Inspur Scientific Research Institute Co Ltd
Priority to CN202110849619.XA priority Critical patent/CN113516647B/zh
Publication of CN113516647A publication Critical patent/CN113516647A/zh
Application granted granted Critical
Publication of CN113516647B publication Critical patent/CN113516647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明提供了一种微型真菌类作物病害检测方法，通过在低功耗低算力的ARM架构微控制器芯片上运行深度学习算法，实现对于真菌类作物的病害检测。一种微型真菌类作物病害检测方法，包括以下步骤：S1.收集受病害侵蚀的真菌类作物的图像；S2.进行数据筛选和标注类别；S3.利用深度学习框架进行模型训练；S4.导出模型为通用的格式；S5.根据数据计算出量化的参数，然后对模型进行量化；S6.将模型代码编译为ARM可识别的格式，并部署到硬件上；S7.通过摄像头采集数据后调用模型进行推理，得到结果进行显示。

Description

微型真菌类作物病害检测方法
技术领域
本发明涉及一种病害检测方法，具体涉及一种微型真菌类作物病害检测方法。
背景技术
当前农作物病虫害检测方法主要是通过在云端服务器上的图像分类和目标检测算法实现，通常通用模型参数量庞大，耗费计算资源很多，功耗也较大。这是因为服务器中为了适配更广泛的模型和算法，普遍不存在功耗和计算力限制。而实际上真菌病虫害检测这个特定场景下，模型参数量小，任务不复杂，不需要大规模的算力。因此低功耗低算力便于携带和部署的设备是目前的最优选择。
通过矩阵拆解进行降低参数量计算量是业内共识，如一层正常卷积拆解为深度卷积和逐点卷积进行降参数量。另外对模型参数和输入数据进行量化也能降低内存消耗。通常采用fp32到int8的定点量化。
发明内容
本发明提供了一种微型真菌类作物病害检测方法，通过在低功耗低算力的ARM架构微控制器芯片上运行深度学习算法，实现对于真菌类作物的病害检测。
本发明为实现上述目的，通过以下技术方案实现：
一种微型真菌类作物病害检测方法，包括以下步骤：
S1.收集受病害侵蚀的真菌类作物的图像；
S2.进行数据筛选和标注类别；
S3.利用深度学习框架进行模型训练；
S4.导出模型为通用的格式；
S5.根据数据计算出量化的参数，然后对模型进行量化；
S6.将模型代码编译为ARM可识别的格式，并部署到硬件上；
S7.通过摄像头采集数据后调用模型进行推理，得到结果进行显示。
上述微型真菌类作物病害检测方法基础上，量化公式为：
Figure RE-GDA0003258760180000011
其中Z为实数0的量化结果通常称为零点，r为待量化任意实数,
Figure RE-GDA0003258760180000012
其中rmax为待量化的值中的最大值,rmin为待量化实数的最小值,k为量化后的位数。
上述微型真菌类作物病害检测方法基础上，编译过程包括代码校验，确保生成正确的c++代码；通过avr-gcc编译器将上一步生成的可读代码编译成机器能识别的目标文件；通过链接器将目标文件与标准库文件共同链接，生成Hex文件，将该Hex文件上传至开发板的可编程内存中存储执行。
上述微型真菌类作物病害检测方法基础上，深度学习采用MobileNet v1的结构，通过深度可分离卷积对传统卷积进行替换并进行定点量化，深度可分离卷积的参数量为：Dk*Dk*1*m*Df*Df+1*1*m*n*Df*D，Dk是卷积核尺寸，m是卷积核通道数，n是卷积核个数，Df是特征图尺寸。
上述微型真菌类作物病害检测方法基础上，深度学习是在ARM架构微控制器芯片上运行，ARM架构微控制器为ARM Cortex M0/M4/M7系列。
上述微型真菌类作物病害检测方法基础上，图像采用摄像头，清晰度为QVGA的单通道成像。
本发明的优点在于：通过在低功耗低算力的ARM架构微控制器芯片上运行深度学习算法，实现对于真菌类作物的病害检测，算法使用基于Mobilenet v1的图像分类，结合量化进行加速和减少内存消耗，整体过程功耗低，设备成本低，推理速度快，易于部署。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明微型真菌类作物病害检测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1，一种微型真菌类作物病害检测方法，包括以下步骤：
S1.收集受病害侵蚀的真菌类作物的图像；
S2.进行数据筛选和标注类别；
S3.利用深度学习框架进行模型训练；
S4.导出模型为通用的onnx/npz格式；
S5.根据数据计算出量化的参数，然后对模型进行量化；
S6.将模型代码编译为ARM可识别的格式，并部署到硬件上；
S7.通过摄像头采集数据后调用模型进行推理，得到结果进行显示。
本实施例中，量化公式为：
Figure RE-GDA0003258760180000031
其中Z为实数0的量化结果通常称为零点，r为待量化任意实数,
Figure RE-GDA0003258760180000032
其中rmax为待量化的值中的最大值,rmin为待量化实数的最小值,k为量化后的位数。
本实施例中，编译过程包括代码校验，确保生成正确的c++代码；通过avr-gcc编译器将上一步生成的可读代码编译成机器能识别的目标文件；通过链接器将目标文件与标准库文件共同链接，生成Hex文件，将该Hex文件上传至开发板的可编程内存中存储执行。
本实施例中，深度学习采用MobileNet v1的结构，通过深度可分离卷积对传统卷积进行替换并进行定点量化，传统卷积的参数量为：Dk*Dk*m*n*Df*Df，深度可分离卷积的参数量为：Dk*Dk*1*m*Df*Df+1*1*m*n*Df*D，Dk是卷积核尺寸，m是卷积核通道数， n是卷积核个数，Df是特征图尺寸。
本实施例中，深度学习是在ARM架构微控制器芯片上运行，ARM架构微控制器为ARM Cortex M0/M4/M7系列，其中Cortex M0为基础版本，生产不出来高性能的STM32的单片机，Cortex M4运算浮点类型的数据，Cortex M4会很大程度提高处理器性能和运算速度，Cortex M7性能好和高功耗兼具，适用于要求极致性能的环境。
本实施例中，图像采用摄像头，清晰度为QVGA的单通道成像。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种微型真菌类作物病害检测方法，其特征在于：包括以下步骤：
S1. 收集受病害侵蚀的真菌类作物的图像；
S2. 进行数据筛选和标注类别；
S3. 利用深度学习框架进行模型训练；
S4. 导出模型为通用的格式；
S5. 根据数据计算出量化的参数，然后对模型进行量化；
S6.将模型代码编译为ARM可识别的格式，并部署到硬件上；
S7.通过摄像头采集数据后调用模型进行推理，得到结果进行显示。
2.根据权利要求1所述微型真菌类作物病害检测方法，其特征在于：量化公式为：
Figure RE-FDA0003258760170000011
其中Z为实数0的量化结果通常称为零点，r为待量化任意实数,
Figure RE-FDA0003258760170000012
其中rmax为待量化的值中的最大值,rmin为待量化实数的最小值,k为量化后的位数。
3.根据权利要求1所述微型真菌类作物病害检测方法，其特征在于：编译过程包括代码校验，确保生成正确的c++代码；通过avr-gcc编译器将上一步生成的可读代码编译成机器能识别的目标文件；通过链接器将目标文件与标准库文件共同链接，生成Hex文件，将该Hex文件上传至开发板的可编程内存中存储执行。
4.根据权利要求1所述微型真菌类作物病害检测方法，其特征在于：深度学习采用MobileNet v1的结构，通过深度可分离卷积对传统卷积进行替换并进行定点量化，深度可分离卷积的参数量为：Dk*Dk *1*m*Df*Df + 1*1*m*n*Df *D，Dk是卷积核尺寸，m是卷积核通道数，n是卷积核个数，Df是特征图尺寸。
5.根据权利要求1所述微型真菌类作物病害检测方法，其特征在于：深度学习是在ARM架构微控制器芯片上运行，ARM架构微控制器为ARM Cortex M0/M4/M7系列。
6.根据权利要求1至5任一项所述微型真菌类作物病害检测方法，其特征在于：图像采用摄像头，清晰度为QVGA的单通道成像。
CN202110849619.XA 2021-07-27 2021-07-27 微型真菌类作物病害检测方法 Active CN113516647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110849619.XA CN113516647B (zh) 2021-07-27 2021-07-27 微型真菌类作物病害检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110849619.XA CN113516647B (zh) 2021-07-27 2021-07-27 微型真菌类作物病害检测方法

Publications (2)

Publication Number Publication Date
CN113516647A true CN113516647A (zh) 2021-10-19
CN113516647B CN113516647B (zh) 2023-06-13

Family

ID=78067605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110849619.XA Active CN113516647B (zh) 2021-07-27 2021-07-27 微型真菌类作物病害检测方法

Country Status (1)

Country Link
CN (1) CN113516647B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800806A (zh) * 2019-01-14 2019-05-24 中山大学 一种基于深度学习的农作物病害检测算法
CN110766041A (zh) * 2019-09-04 2020-02-07 江苏大学 一种基于深度学习的害虫检测方法
CN112396072A (zh) * 2019-08-14 2021-02-23 上海大学 基于asic与vgg16的图像分类加速方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800806A (zh) * 2019-01-14 2019-05-24 中山大学 一种基于深度学习的农作物病害检测算法
CN112396072A (zh) * 2019-08-14 2021-02-23 上海大学 基于asic与vgg16的图像分类加速方法及装置
CN110766041A (zh) * 2019-09-04 2020-02-07 江苏大学 一种基于深度学习的害虫检测方法

Also Published As

Publication number Publication date
CN113516647B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN112418392A (zh) 一种神经网络构建方法以及装置
CN110222718B (zh) 图像处理的方法及装置
CN111105017B (zh) 神经网络量化方法、装置及电子设备
WO2022111617A1 (zh) 一种模型训练方法及装置
WO2023231794A1 (zh) 一种神经网络参数量化方法和装置
CN113240079A (zh) 一种模型训练方法及装置
WO2022111387A1 (zh) 一种数据处理方法及相关装置
US20240185568A1 (en) Image Classification Method and Related Device Thereof
CN114266897A (zh) 痘痘类别的预测方法、装置、电子设备及存储介质
CN113869496A (zh) 一种神经网络的获取方法、数据处理方法以及相关设备
CN113449548A (zh) 更新物体识别模型的方法和装置
CN113627421A (zh) 一种图像处理方法、模型的训练方法以及相关设备
CN114612681A (zh) 基于gcn的多标签图像分类方法、模型构建方法及装置
CN113065634A (zh) 一种图像处理方法、神经网络的训练方法以及相关设备
WO2024046144A1 (zh) 一种视频处理方法及其相关设备
CN113516647A (zh) 微型真菌类作物病害检测方法
EP4375872A1 (en) Image classification method and related device
CN114998643A (zh) 类别描述的特征信息的获取方法、图像的处理方法及设备
CN113065638A (zh) 一种神经网络压缩方法及其相关设备
Wang Motion recognition based on deep learning and human joint points
CN114365155A (zh) 具有快速逐点卷积的高效推断
CN113159081B (zh) 一种图像处理方法以及相关设备
CN111797970B (zh) 训练神经网络的方法和装置
WO2021129668A1 (zh) 训练神经网络的方法和装置
WO2023236900A1 (zh) 一种项目推荐方法及其相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant