CN114627385B 一种基于无人机图像的大田小麦赤霉病检测方法 （安徽大学）

一种基于无人机图像的大田小麦赤霉病检本发明涉及一种基于无人机图像的大田小器的无人机获取患有赤霉病的大田小麦图像数据U，同步使用数码相机连续获取地面小麦图像像进行数据增强得到训练集UTrain；构建基于特征增强和自适应特征融合的小麦赤霉病检测网的大田小麦图像数据U的分辨率；在YOLOv5的基础上添加特征增强模块并使用自适应特征融合2的比例划分成训练集UTrain和测试集UTest，使用数码相机在小麦上方30cm至50cm处进行拍(4)对经超分辨率重建后的小麦图像进行数据增强：将经超分辨率重建后的小麦图像在YOLOv5的基础上构建小麦赤霉病检测网络，小麦赤霉病检积核大小为3×3的卷积操作，AvgPool和MaxPool分别代表平均池化操作和最大池化操作，第二条分支使用不同膨胀率的空洞卷积级联的形式对特征进获取图像的全局信息和局部信息后将两者相加，通过建立全对特征进行多尺度融合使特征含有几何信息表征和语义信息表征，合模块代替YOLOv5使用的路径聚合网络对多尺度3；4(6.6)计算损失：类别损失和置信度损失采用交叉熵损失函数，位置损失采用GIOU5[0004]计算机视觉与图像处理技术在农业领域的诊断监测应用中已经得到了广泛的应霉病的精确检测的基于无人机图像的大田小麦[0010](4)对经超分辨率重建后的小麦图像进行数据增强：将经超分辨率重建后的小麦6[0012](6)使用迁移学习方法利用地面小麦图像数据G对小麦赤霉病检测网络进行预训[0017](3.3)使用RCAB残差通道注意力模块对IF提取特征，得到分辨率为2H*2W的图像[0018](3.4)对图像ILR2进行特征提取和上采样操作；7[0033]在YOLOv5的基础上构建小麦赤霉病检测网络，小麦赤霉病检测网络由主干部分、征融合模块代替YOLOv5使用的路径聚合网络对多尺度[0046](6.5)使用无训练集UTrain训练加载了权重P的小麦赤霉病检测网络：将训练集8代PANet路径聚合网络对多尺度特征进行融合，提高了网络对小目标病斑的检测能力；第[0054]图5为本发明使用训练集UTrain训练加载了权重P的小麦赤霉病检测网络过程中损[0055]图6为本发明使用训练集UTrain训练加载了权重P的小麦赤霉病检测网络过程中平[0060](4)对经超分辨率重建后的小麦图像进行数据增强：将经超分辨率重建后的小麦[0062](6)使用迁移学习方法利用地面小麦图像数据G对小麦赤霉病检测网络进行预训9[0067](3.3)使用RCAB残差通道注意力模块对IF提取特征，得到分辨率为2H*2W的图像[0068](3.4)对图像ILR2进行特征提取和上采样操作；[0083]在YOLOv5的基础上构建小麦赤霉病检测网络，小麦赤霉病检测网络由主干部分、征融合模块代替YOLOv5使用的路径聚合网络对多尺度[0096](6.5)使用无训练集UTrain训练加载了权重P的小麦赤霉病检测网络：将训练集[0101]如图4所示，本发明使用的自适应特征融合模块通过给多尺度特征一个归一化的[0104]综上所述，本发明以地面小麦图像数据G为参考对无人机获取的大田小麦图像数特征增强模块并使用自适应特征融合模块替代PANet路径聚合网络对多尺度特征进行融