买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：新疆大学

摘要：本发明涉及农作物病害识别技术领域，尤其涉及一种基于深度学习的手机移动端玉米病害检测方法。包括以下步骤：使用摄像机采集玉米病害图像，并对图片做预处理；通过深度可分离卷积、RFB‑s、上采样算子和注意力机制改进YOLOv5的网络结构，利用数据集对改进后的网络模型训练获得权重模型；将训练好的权重模型整体部署到手机移动端；对手机实地拍摄的图片或传到手机中的病害图片识别。通过深度可分离卷积有效降低主干网络的运算量，使用RFB‑s扩大感受野提高，捕获多尺度上下文信息。而坐标注意力机制赋予特征图xy两个方向的权重信息，提高模型精度。最后改进上采样算子提高检测效果。本发明将深度学习应用于玉米病害检测，降低因人工主观判断造成的失误，提高劳动效率；并且针对YOLOv5主干网络的优化提高在移动端运行效果以及检测精度；同时手机移动端部署能有效解决网络信息受限地区无法离线检测问题，提高使用的便利性。

主权项：1.一种基于深度学习的手机移动端玉米病害检测方法，其特征在于：该方法具体包括以下步骤：步骤1、使用摄像机不同时段、多角度采集玉米病害（大斑病、灰斑病和锈病）图像信息，并对图片进行标注；步骤2、将步骤1中标注后的病害图像离线数据增强，再将其划分为训练集、测试集和验证集；步骤3、在YOLOv5模型的特征提取层以深度可分离卷积取代标准卷积，在获得三个向后传递的特征图前面添加坐标注意力机制coordinateattention，CA，之后再进行拼接等特征融合获得预测头；步骤4、在YOLOv5的主干网络最后一层后面使用RFB-s来进行特征融合，4个空洞dilated卷积层，膨胀率分别设为1、3、3、5，另外在yoloV5模型的头部使用新的上采样算子CARAFE；步骤5、将划分好的数据集输入到步骤4改进后的网络模型中，设置迭代次数、学习率、动量因子、批样本大小等初始参数，使用优化器调整网络参数，当完成训练设定的迭代次数时或者损失图像和精度图像趋于稳定时保留此时的权重参数；步骤6、将步骤5中训练完成的改进型YOLOv5整体部署到手机移动端，直接使用手机实地拍摄的玉米病害图像或者使用手机中储存的病害图像作为测试图像，然后对待检测图像进行识别检测，并在手机端查看检测效果。

全文数据：

权利要求：

百度查询： 新疆大学 一种基于深度学习的手机移动端玉米病害检测方法