CN115294566A - 一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法 - Google Patents
一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法 Download PDFInfo
- Publication number
- CN115294566A CN115294566A CN202210732037.8A CN202210732037A CN115294566A CN 115294566 A CN115294566 A CN 115294566A CN 202210732037 A CN202210732037 A CN 202210732037A CN 115294566 A CN115294566 A CN 115294566A
- Authority
- CN
- China
- Prior art keywords
- model
- identification
- resnext
- data set
- yolo
- 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.)
- Withdrawn
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 43
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 43
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 235000005976 Citrus sinensis Nutrition 0.000 title claims abstract description 19
- 240000002319 Citrus sinensis Species 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000005520 cutting process Methods 0.000 claims abstract description 11
- 241000238631 Hexapoda Species 0.000 claims abstract description 8
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 4
- 241001481710 Cerambycidae Species 0.000 claims description 3
- 241000254171 Curculionidae Species 0.000 claims description 3
- 241000488583 Panonychus ulmi Species 0.000 claims description 3
- 206010039509 Scab Diseases 0.000 claims description 3
- 208000025865 Ulcer Diseases 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 208000010801 foot rot Diseases 0.000 claims description 3
- 239000011505 plaster Substances 0.000 claims description 3
- 239000004071 soot Substances 0.000 claims description 3
- 241000320508 Pentatomidae Species 0.000 claims description 2
- NWFNSTOSIVLCJA-UHFFFAOYSA-L copper;diacetate;hydrate Chemical compound O.[Cu+2].CC([O-])=O.CC([O-])=O NWFNSTOSIVLCJA-UHFFFAOYSA-L 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 241000270666 Testudines Species 0.000 description 1
- 241000934136 Verruca Species 0.000 description 1
- 208000000260 Warts Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 201000010153 skin papilloma Diseases 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLO V3与ResNeXt‑50级联模型的脐橙病虫害识别方法，该方法的步骤：步骤1：使用爬虫从互联网上获取19种病害和虫害图片，并对数据进行裁剪，形成原始数据集A与裁剪后的数据集B。步骤2：使用YOLO V3与ResNeXt‑50分别在数据集A与B上进行训练。步骤3：使用多结果选择算法，投票选择票数最多的识别框为最终的识别框。步骤4：将最终的识别框的图像输入到ResNeXt‑50，获取最终的分类类别。通过本发明的技术方案，果农使用廉价手机拍摄实际场景图片，就可有效识别脐橙病虫害，避免由于病虫害导致的农业减产、农产品质量下降、经济损失等问题，提出的方法具有较高的实用价值。
Description
技术领域
本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的病虫害识别方法。
背景技术
我国是农业大国，农业与我们的生活息息相关，而农作物病害对农业影响巨大。据中国统计年鉴，2016年由农业病害等灾害造成的直接损失达0.503万亿元，占农业生产总值的8.48%。经济社会的不断发展带来了全球的气候和环境问题，病害的发生以及真菌细菌的变异影响着人们的生活。脐橙作为南方常见水果，种植需要较高的成本，实际种植过程中，经常出现病虫害问题，若是没有做好相关防治工作，便会影响脐橙的产量和质量，导致农户受到一定的经济损失。因此，研究农作物病害的预防，以及病害诊断和补救措施显得尤为重要，《You Only Look Once: Unified, Real-Time Object Detection》论文提出了YOLO 系列算法,广泛用于目标检测技术具有速度快准率高的优点，《Aggregated ResidualTransformations for Deep Neural Networks》论文中提出了ResNeXt-50图像分类算法是对ResNet的改进在识别准确率上有所提升。
发明内容
一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法，其特征在于识别方法包含以下步骤：
S101）数据获取：使用网络爬虫在互联网上获取脐橙的常见病和常见虫害，以煤烟病，疮痂病，黄龙病，溃疡病，炭疽病，脚腐病，膏药病，褐腐病，黄斑病，红蜘蛛，天牛，象鼻虫，铜绿金龟子，椿象为关键字在百度图片上进行检索，并使用Python爬虫下载，将图像下载后进行裁剪：包含多个患病的叶片对其进行裁剪形成多张图片，从而进行数据集扩充，形成数据集A，而裁剪的图像形成数据集B，两个数据集均按照7:2:1的比例划分为训练集、测试集和验证集；
S102）模型训练：使用数据集A训练目标检测算法YOLO V3，最终获得训练好的模型，用于后续检测工作；使用数据集B训练分类模型，从中挑选验证集准确率最高的模型ResNeXt-50，用作后面分类识别工作；
S103）多结果选择算法：使用多结果选择算法从多个识别框中选择一个识别框并输入到下一阶段的识别模型中；
S104）分类模型识别：把最终识别框的图像输入到分类模型中ResNeXt-50最终获得识别结果。
进一步，所述的步骤S101）、S102）、S103）与S104）形成三级级联模型，其包括三个模块：
模块1：为YOLO V3目标检测部分，用于检测图片中所有可能出现的病虫害部位的识别框、所属种类和准确率；
模块2：为多结果选择算法，从输出的多个识别框中，给出平均准确率最高的识别框的坐标；
模块3：为分类模型，将模块2中输出的坐标所围成的图片，输入到分类模型中使用ResNeXt-50进行识别，给出最终病虫害类别。
进一步，所述的步骤S101）中的数据集A，其中的每张图片拍摄于真实的环境，图片包含多个主体和复杂的环境信息，其中的个体指的是患病的果实、叶片或者枝干。
进一步，所述的步骤S101）中的数据集B，其中的每张图片是由是对数据集A中图片进行人工裁剪得到，保证数据集B中的每张图片只包含一个个体，去除背景影响。
进一步，所述的步骤S102）中，模型的训练使用PyTorch进行，优化器使用随机梯度下降，作为优选，初始学习率为0.001，图片大小为229×229；
进一步，所述的步骤S103）中多结果选择算法步骤为：
B1）运用YOLO V3对数据集A中的图片进行目标识别，给出图片中目标的识别框坐标、所属类别和准确率；
B2）判断识别框个数，如果为1，则直接返回该识别框的坐标；
B3）如果识别框的个数不为1，则对识别框按照类别进行统计，返回统计个数最多的类别及其坐标；
B4）如果统计个数最多的类别不止一个，则返回平均准确率最高的类别的识别框坐标。
与现有技术相比，本发明的有益效果是：
(1)为了解决传统分类模型受背景信息影响较大的问题，提出三阶段级联模型即YOLO V3和ResNeXt-50级联模型，减少复杂背景对识别结果的影响，突出患病个体，提高了泛化能力，同时解决YOLO V3分类能力差的问题。
(2)采用迁移学习方法，使用在ImageNet数据集预训练的模型，解决了因数据量小而导致模型识别精度低的问题。
(3)YOLO V3存在将健康的叶片、果实、枝干等非患病个体，识别为患病个体的情况，多结果选择算法可以排除健康的非患病个体的识别框，只识别出患病个体的识别框，进一步提高了分类模型的准确率。
(4)图像是在自然场景中使用廉价的小米手机拍摄的，采集的图像分辨率低于专业数码相机，使得果农很容易使用该技术，提出的方法有很高的实用价值。
附图说明
图1示出了本发明实施例中模型架构图。
图2示出了本发明实施例中数据集A中的一幅图片经裁剪后形成数据集B中的三个个体图片示意图。
图3示出了本发明实施例中多结果选择方法流程示意图。
图4示出了本发明实施例中YOLO V3输出目标的识别框坐标、所属类别和准确率示意图。
图5示出了本发明实施例中多结果选择方法中识别框的三种情况示意图。
具体实施方案
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。
本发明所述的一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法，所述的级联模型是一个三级级联模型，其架构图如图1所示，包含三个模块：
模块1：为YOLO V3目标检测部分，用于检测图片中所有可能出现的病虫害部位的识别框、所属种类和准确率；
模块2：为多结果选择算法(MRS)，从输出的多个识别框中，给出平均准确率最高的识别框的坐标；
模块3：为分类模型，将模块2中输出的坐标所围成的图片，输入到分类模型中使用ResNeXt-50进行识别，给出最终病虫害类别。
本发明提出了一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法，包含以下步骤：
S101）数据获取：使用网络爬虫在互联网上获取脐橙的常见病和常见虫害，以煤烟病，疮痂病，黄龙病，溃疡病，炭疽病，脚腐病，膏药病，褐腐病，黄斑病，红蜘蛛，天牛，象鼻虫，铜绿金龟子，椿象为关键字在百度图片上进行检索，并使用Python爬虫下载，将图像下载后进行裁剪，如图2所示，将包含多个患病的个体的图片进行裁剪形成多张图片，从而进行数据集扩充，形成数据集A，而裁剪的图像形成数据集B；数据集A，其中的每张图片拍摄于真实的环境，图片包含多个主体和复杂的环境信息，其中的个体指的是患病的果实、叶片或者枝干；数据集B，其中的每张图片是由是对数据集A中图片进行人工裁剪得到，保证数据集B中的每张图片只包含一个个体，去除背景影响；两个数据集均按照7:2:1的比例划分为训练集、测试集和验证集。
S102）模型训练：首先下载ImagNet的预训练模型加载到YOLO V3中，然后再使用数据集A训练目标检测算法YOLO V3，训练200轮次获取准确率最高的模型，用于后续检测工作；使用数据集B训练分类模型，选择的分类模型有VGG 19、Inception V3、DenseNet121、ResNeXt-50、ResNet50，从中挑选验证集准确率最高的模型ResNeXt-50，用作后面分类识别工作，模型的训练使用PyTorch进行，优化器使用随机梯度下降且初始学习率为0.001，图片大小为229×229。
S103）多结果选择算法：使用多结果选择算法从多个识别框中选择一个识别框并输入到模块3，即分类模型中。多结果选择算法流程如图3所示，包括以下步骤：
B1）如图3所示中的S1,运用YOLO V3对数据集A中的图片进行目标识别，给出图片中目标的识别框坐标、所属类别和准确率。
图4给出了图片中目标的识别框坐标、所属类别和准确率的示意图，其中class为识别类别，包含19种疾病类别；acc为识别准确率取值为0～1；coor为识别框的坐标，格式为((x1,y1)，(x2,y2))，表示((左上角坐标),(右下角坐标))。
B2）如图3所示中的S2，判断识别框个数，如果为1，则直接返回该识别框的坐标，如图5情况A所示。
B3）如图3所示中的S3，如果识别框的个数不为1，则对识别框按照类别进行统计，返回统计个数最多的类别及其坐标，如图5情况B所示。
B4）如图3所示中的S4，如果统计个数最多的类别不止一个，则返回平均准确率最高的类别的识别框坐标，如图5情况C所示。
S104）分类模型识别：把最终识别框的图像输入到分类模型中ResNeXt-50最终获得识别结果。
通过对上述级联模型分阶段训练，并在验证集上进行结果分析，其结果分析如下：
(1)在未裁剪数据集A中训练结果
目前的研究中，很多识别场景为实地环境，被识别图片包含许多无用背景信息，这些信息会干扰模型的识别，使模型学习到无用的信息，造成模型的准确率下降，如表1、2可见，在未加载预训练模型时识别准确率较低，例如VGG 19准确率为44.08%，加载了预训练模型后VGG 19的准确率为81.651%，识别率有较大提升。因此我们提出的一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法，使用了预训练模型，依次来提高识别的准确率。
表1未加载预训练模型准确率
| 模型 | 未预训练 |
| VGG 19 | 44.08 |
| Inception V3 | 35.751 |
| DenseNet121 | 43.06 |
| ResNeXt-50 | 42.892 |
| ResNet50 | 36.78 |
表2加载预训练模型准确率
| 模型 | 预训练 |
| VGG 19 | 81.651 |
| Inception V3 | 87.45 |
| DenseNet121 | 92.78 |
| ResNeXt-50 | 91.175 |
| ResNet50 | 90.121 |
(2)在裁剪后的数据集B中训练结果
首先不加载预训练模型，使用数据集B进行训练，训练后在测试集上的准确率如表3所示，其中DenseNet121获得最高的识别率，为82.271%。
然后每个模型加载在ImageNet数据集上进行训练得到的预训练模型，得到的预训练模型使用数据集B再次进行训练，训练结果如表4所示，对比表3可以发现，在使用预训练模型后，所有的模型的准确率均有上升，其DenseNet121仍然是识别率最高的模型为97.117%。但是从表5可以看出，在验证集上ResNeXt-50模型识别准确率最高，为92.969%。因此我们的分类模型采用ResNeXt-50。
表3 未加载预训练模型准确率
| 模型名称 | 未预训练 |
| VGG 19 | 72.553% |
| Inception V3 | 71.63% |
| DenseNet121 | 82.271% |
| ResNeXt-50 | 75.466% |
| ResNet50 | 78.839% |
表4 加载预训练模型准确率
| 模型名称 | 预训练 |
| VGG 19 | 92.163% |
| Inception V3 | 94.983% |
| DenseNet121 | 97.117% |
| ResNeXt-50 | 95.481% |
| ResNet50 | 96.183% |
表5加载预训练模型验证集准确率
| 模型名称 | 预训练 |
| VGG 19 | 90.625% |
| Inception V3 | 85.156% |
| DenseNet121 | 88.281% |
| ResNeXt-50 | 92.969% |
| ResNet50 | 85.156% |
(3)模型交叉验证
在相关研究中人们发现，实地场景拍摄的图片往往包含干扰信息，比如拍摄者身体，杂草等，而这些干扰信息会对识别结果产生很大影响，导致识别准确率下降。如果忽略这些干扰信息，如果用实验室数据，例如数据集B来进行模型训练得到的模型，用在实际场景拍摄的图片中，识别准确率下降很大，如表6所示。
另一方面，从理论上讲，去除背景不应降低分类性能。然而，有时卷积神经网络实际上可能会使用背景特征来对图像进行分类，而不是症状本身，从而削弱了症状本身对疾病分类的影响，导致识别准确率下降。如果用实地场景中拍摄的图片，例如数据集A来进行模型训练得到的模型，用在实验室数据中，识别准确率也下降很大，如表7所示。
假设在数据集A上训练得到的模型为A_models，在数据集B上训练得到的模型为B_models，数据集A的验证集为A_val，数据集B的验证集为B_val。
表6 B_models在A_val、B_val中进行图片识别后的准确率及平均识别时间
| 模型名称 | A_val中的准确率(%) | B_val中的准确率(%) | 下降值(%) | A_val中平均识别时间(s) | B_val中平均识别时间(s) |
| DenseNet121 | 68.116 | 90.625 | 22.509 | 0.058 | 0.049 |
| Inception V3 | 57.971 | 85.156 | 27.185 | 0.056 | 0.053 |
| ResNet50 | 72.464 | 88.281 | 15.817 | 0.015 | 0.015 |
| ResNeXt-50 | 71.014 | 92.969 | 21.955 | 0.018 | 0.017 |
| VGG 19 | 62.319 | 85.156 | 22.837 | 0.024 | 0.024 |
由表6发现，B_models在B_val上有较高的准确率，这是因为模型的训练数据和验证数据具有较高的相似度，没有其他干扰信息。但是当B_models在A_val上进行测试的时候，准确率下降20%-30%，最高下降幅度达到27.185%，准确率下降很大。
表7 A_models在A_val、B_val中进行图片识别后的准确率及平均识别时间
| 模型名称 | A_val中的准确率(%) | B_val中的准确率(%) | 下降值(%) | A_val中平均识别时间(s) | B_val中平均识别时间(s) |
| DenseNet121 | 86.957 | 77.344 | 9.613 | 0.056 | 0.046 |
| Inception V3 | 82.609 | 70.312 | 12.297 | 0.053 | 0.054 |
| ResNet50 | 86.957 | 72.656 | 14.301 | 0.015 | 0.015 |
| ResNeXt-50 | 89.855 | 71.094 | 18.761 | 0.017 | 0.017 |
| VGG 19 | 78.261 | 60.156 | 18.105 | 0.024 | 0.024 |
由表7发现，A_models在A_val上有较高的准确率，这是因为模型的训练数据和验证数据具有较高的相似度。但是当A_models在B_val上进行测试的时候，准确率下降10%-20%，最高下降幅度达到18.761%，准确率下降很大。这是因为使用数据集A图片在训练时，分类模型把背景信息也学习到模型中从而忽略了病症位置的信息，当背景发生变化后识别的准确率有所下降。
在现实生活中，农民使用手机拍摄，拍摄出的图片有可能有背景干扰信息，属于实地场景拍摄数据，也有可能是干净的数据，属于实验室数据。本发明提出的一种基于YOLOV3与ResNeXt-50级联模型的脐橙病虫害识别方法，对这两种类型的数据均有较高的识别准确率。
(4)级联模型实验结果
表8级联模型A_val、B_val中进行图片识别后的准确率及平均识别时间
| 模型名称 | A_val中的准确率(%) | B_val中的准确率(%) | 下降值(%) | A_val中平均识别时间(s) | B_val中平均识别时间(s) |
| DenseNet121 | 86.957 | 77.344 | 9.613 | 0.056 | 0.046 |
| Inception V3 | 82.609 | 70.312 | 12.297 | 0.053 | 0.054 |
| ResNet50 | 86.957 | 72.656 | 14.301 | 0.015 | 0.015 |
| ResNeXt-50 | 89.855 | 71.094 | 18.761 | 0.017 | 0.017 |
| VGG 19 | 78.261 | 60.156 | 18.105 | 0.024 | 0.024 |
| YOLO V3 + ResNeXt-50 | 85.294 | 92.308 | 7.014 | 0.022 | 0.020 |
| YOLO V3 + ResNeXt-50 with MRS | 92.157 | 92.405 | 0.151 | 0.022 | 0.021 |
表8中，与其他经典模型相对比，YOLO V3 与 ResNeXt-50级联模型，在A_val中识别准确率为92.157%，在B_val中拥有92.405%，在两种数据集的识别过程中准确率变化幅度较小为0.151%，且在A_val，B_val上均有较高的识别准确率。
Claims (4)
1.一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法，其特征在于识别方法包含以下步骤：
S101）数据获取：使用网络爬虫在互联网上获取脐橙的常见病和常见虫害，以煤烟病，疮痂病，黄龙病，溃疡病，炭疽病，脚腐病，膏药病，褐腐病，黄斑病，红蜘蛛，天牛，象鼻虫，铜绿金龟子，椿象为关键字在百度图片上进行检索，并使用Python爬虫下载，将图像下载后进行裁剪：包含多个患病的叶片对其进行裁剪形成多张图片，从而进行数据集扩充，形成数据集A，而裁剪的图像形成数据集B，两个数据集均按照7:2:1的比例划分为训练集、测试集和验证集；
S102）模型训练：使用数据集A训练目标检测算法YOLO V3，最终获得训练好的模型，用于后续检测工作；使用数据集B训练分类模型，从中挑选验证集准确率最高的模型ResNeXt-50，用作后面分类识别工作；
S103）多结果选择算法：使用多结果选择算法从多个识别框中选择一个识别框并输入到下一阶段的识别模型中；
S104）分类模型识别：把最终识别框的图像输入到分类模型中ResNeXt-50最终获得识别结果；
步骤S101）、S102）、S103）与S104）形成三级级联模型；
所述的步骤S101）、S102）、S103）与S104）形成三级级联模型，包括三个模块：
模块1：为YOLO V3目标检测部分，用于检测图片中所有可能出现的病虫害部位的识别框、所属种类和准确率；
模块2：为多结果选择算法，从输出的多个识别框中，给出平均准确率最高的识别框的坐标；
模块3：为分类模型，将模块2中输出的坐标所围成的图片，输入到分类模型中使用ResNeXt-50进行识别，给出最终病虫害类别。
2.根据权利要求1所述的一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法，其特征在于所述的步骤S101）中的数据集A，其中的每张图片拍摄于真实的环境，图片包含多个主体和复杂的环境信息，其中的个体指的是患病的果实、叶片或者枝干；
所述的步骤S101）中的数据集B，其中的每张图片是由是对数据集A中图片进行人工裁剪得到，保证数据集B中的每张图片只包含一个个体，去除背景影响。
3.根据权利要求1所述的一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法，其特征在于所述的步骤S102）中，模型的训练使用PyTorch进行，优化器使用随机梯度下降且初始学习率为0.001，图片大小为229×229。
4.根据权利要求1所述的一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法，其特征在于所述的步骤S103）中的多结果选择算法包括以下步骤：
S401）运用YOLO V3对数据集A中的图片进行目标识别，给出图片中目标的识别框坐标、所属类别和准确率；
S402）判断识别框个数，如果为1，则直接返回该识别框的坐标；
S403）如果识别框的个数不为1，则对识别框按照类别分别进行统计，返回统计个数最多的类别及其坐标；
S404）如果统计个数最多的类别不止一个，则返回平均准确率最高的类别的识别框坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210732037.8A CN115294566A (zh) | 2022-06-27 | 2022-06-27 | 一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210732037.8A CN115294566A (zh) | 2022-06-27 | 2022-06-27 | 一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115294566A true CN115294566A (zh) | 2022-11-04 |
Family
ID=83819815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210732037.8A Withdrawn CN115294566A (zh) | 2022-06-27 | 2022-06-27 | 一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115294566A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197595A (zh) * | 2023-11-08 | 2023-12-08 | 四川省农业科学院农业信息与农村经济研究所 | 基于边缘计算的果树生育期识别方法、装置及管理平台 |
-
2022
- 2022-06-27 CN CN202210732037.8A patent/CN115294566A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197595A (zh) * | 2023-11-08 | 2023-12-08 | 四川省农业科学院农业信息与农村经济研究所 | 基于边缘计算的果树生育期识别方法、装置及管理平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms | |
| CN110245720B (zh) | 一种基于深度学习的柑橘病虫害智能诊断方法及*** | |
| CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
| CN112001370A (zh) | 一种农作物病虫害识别方法及*** | |
| Tumang | Pests and diseases identification in mango using MATLAB | |
| CN110569858A (zh) | 一种基于深度学习算法的烟叶病虫害识别方法 | |
| CN112465038A (zh) | 一种识别果树病虫害种类的方法及*** | |
| Chouhan et al. | A deep learning approach for the classification of diseased plant leaf images | |
| CN114596468A (zh) | 病虫害识别及模型训练方法、装置、电子设备及存储介质 | |
| CN115294566A (zh) | 一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法 | |
| Mahbub et al. | Detect bangladeshi mango leaf diseases using lightweight convolutional neural network | |
| CN114898359B (zh) | 一种基于改进EfficientDet的荔枝病虫害检测方法 | |
| Marset et al. | Towards practical 2D grapevine bud detection with fully convolutional networks | |
| Sehree et al. | Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery | |
| US20240153267A1 (en) | Display method and display system for plant disease diagnosis information, and readable storage medium | |
| Pajjuri et al. | Comparative evaluation of the convolutional neural network based transfer learning models for classification of plant disease | |
| Biswas et al. | A review of convolutional neural network-based approaches for disease detection in plants | |
| CN113947697A (zh) | 植物病虫害诊断方法、诊断***及可读存储介质 | |
| Wang et al. | Research on identification of corn disease occurrence degree based on improved resnext network | |
| Kalpana et al. | Diagnosis of major foliar diseases in black gram (vigna mungo l.) using convolution neural network (cnn) | |
| Yatoo et al. | A novel model for automatic crop disease detection | |
| CN116883364A (zh) | 一种基于CNN和Transformer的苹果叶片病害识别方法 | |
| Choi et al. | Classification of growth conditions in paprika leaf using deep neural network and hyperspectral images | |
| CN115391549A (zh) | 一种基于知识图谱的病虫害诊断***及其方法 | |
| Rony et al. | BottleNet18: Deep Learning-Based Bottle Gourd Leaf Disease Classification |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221104 |