开云优惠体育网页版入口

专利名称：一种基于物联网的红芸豆病害监控系统

专利类型：发明专利

专利申请号：CN202411333931.3

专利申请（专利权）人：山西农业大学
权利人地址：山西省晋中市太谷区铭贤南路1号

专利发明（设计）人：冯美臣,杨华,秦明星,王超,杨真位,孙晶京,苏鹏燕

专利摘要：本发明涉及监测技术领域，具体公开了一种基于物联网的红芸豆病害监控系统，用于解决没有在红芸豆褐斑病、细菌性疫病识别的基础上进一步对单叶片识别的数据进行分析，以获取更多的关于红芸豆褐斑病、细菌性疫病的病害信息的问题，本发明包括图像采集设备、图像预处理模块、YOLOv5?SE?BiFPN目标检测模块、褐斑病及细菌性疫病特征数据提取模块、褐斑病及细菌性疫病数据分析模块和数据显示模块；通过结合物联网技术和YOLOv5?SE?BiFPN目标检测模块，实时监控红芸豆褐斑病、细菌性疫。隑iFPN和SE注意力机制，提高检测精度和稳定性，提取病斑特征数据，分析病害趋势和严重程度，辅助农业管理者决策，预防和控制红芸豆褐斑病、细菌性疫病的病害蔓延。

主权利要求：
1.一种基于物联网的红芸豆病害监控系统，其特征在于，包括图像采集设备、图像预处理模块、YOLOv5?SE?BiFPN目标检测模块、褐斑病及细菌性疫病特征数据提取模块、褐斑病及细菌性疫病数据分析模块和数据显示模块，图像采集设备与图像预处理模块相连，图像预处理模块与YOLOv5?SE?BiFPN目标检测模块相连，YOLOv5?SE?BiFPN目标检测模块与褐斑病及细菌性疫病特征数据提取模块相连，褐斑病及细菌性疫病特征数据提取模块与褐斑病及细菌性疫病数据分析模块相连，图像预处理模块、YOLOv5?SE?BiFPN目标检测模块、褐斑病及细菌性疫病特征数据提取模块、褐斑病及细菌性疫病数据分析模块均与数据显示模块相连，图像采集设备用于采集红芸豆田间的植株单片叶片图像，并将图像数据传输给图像预处理模块，基于物联网技术实时监控红芸豆的生长情况，图像预处理模块用于对采集的图像进行预处理，并将处理好的图像传输给YOLOv5?SE?BiFPN目标检测模块和数据显示模块，YOLOv5?SE?BiFPN目标检测模块在YOLOv5s目标检测模型中引入双向特征金字塔网络(BiFPN)，用于高效的双向跨尺度连接和加权多尺度特征融合，引入自适应学习的特征权重，执行自顶向下和自底向上的多尺度特征融合，通过全局池化将每个特征图的空间维度压缩为一个单一数值，以整合通道内的信息，通过学习得到的权重，对每个通道进行加权，突出对网络任务更为关键的信息，通过将学习得到的通道权重重新加权原始特征图，使网络能够更加集中地对于特定认为更为重要的特征，对红芸豆褐斑病、细菌性疫病每个特征的通道进行加权计算，优化红芸豆单叶褐斑病、细菌性疫病特征的表达，准确识别田间图像集中患有红芸豆褐斑病、细菌性疫病的单叶，并将识别出的红芸豆褐斑病、细菌性疫病单叶图像传输给褐斑病及细菌性疫病特征数据提取模块和数据显示模块，褐斑病及细菌性疫病特征数据提取模块从识别的红芸豆褐斑病、细菌性疫病单叶图像特征数据中提取褐斑病及细菌性疫病斑点的位置信息、斑点面积、斑点数量、斑点的周长和斑点的面积，并将数据传输给褐斑病、细菌性疫病特征分析模块和数据显示模块，利用预设的褐斑病及细菌性疫病病害扩展趋势分析公式获取红芸豆褐斑病及细菌性疫病扩展趋势分析因子，利用预设的褐斑病及细菌性疫病病害严重程度分析公式获取红芸豆褐斑病及细菌性疫病病害严重程度分值，再将获得的红芸豆褐斑病及细菌性疫病扩展趋势分析因子和红芸豆褐斑病及细菌性疫病病害严重程度分值相乘获取红芸豆褐斑病及细菌性疫病预测分析值，并将获得的数据传输给数据显示模块；
YOLOv5?SE?BiFPN目标检测模块包括Input端、Backbone、Neck和Prediction，在Input端输入一张红芸豆单叶图像，提取图像中的特征，通过全局池化将每个特征图的空间维度压缩为一个单一数值，以整合通道内的信息，通过学习得到的权重，对每个通道进行加权，突出对网络任务更为关键的信息，通过将学习得到的通道权重重新加权原始特征图，使网络能够更加集中地对于特定认为更为重要的特征，对特征的每个通道的权重进行自适应学习，在索引为13和17的位置，使用双向特征金字塔网络(BiFPN)中的Add操作融合Backbone中的P4和P3特征，增强特征之间的信息交互，最后模型在Neck中逐渐传递和处理图像的特征，Prediction输出预测红芸豆单叶图像中斑点的位置和类别信息；
在褐斑病及细菌性疫病数据分析模块中，褐斑病及细菌性疫病病害扩展趋势分析公式利用对数函数有效处理当前褐斑病、细菌性疫病总面积的增长趋势，在初期增长较快的情况下，平滑急剧变化的数据，利用指数函数处理斑点数量的变化，及时捕捉斑点数量的变化情况，利用三角函数引入周期变化常数，考虑季节对褐斑病、细菌性疫病的影响，利用根值函数结合斑点总面积和斑点总数量的数据特征，使用Sigmoid函数对最终结果数值进行标准化，使得输出数值在0到1之间，预设的斑病病害扩展趋势分析公式为：式中：Xsp为红芸豆的褐斑病、细菌性疫病病害扩展趋势因子，σ为Sigmoid函数，t为当前时刻，A(t+1)为时间t+1时刻的病斑总面积，N(t+1)为时间t+1时刻的病斑数量，T为周期性常数，根据褐斑病、细菌性疫病发生的季节周期性设定，α、β、γ均为权重调节因子，通过拟合历史数据进行调整；
在褐斑病及细菌性疫病数据分析模块中，褐斑病及细菌性疫病病害严重程度分析公式利用当前病斑总面积与最大病斑总面积对当前病斑总面积进行归一化处理，使得面积特征对不同大小的病斑具有相同的尺度，对斑点数量取对数，减少斑点数量差异对结果的影响，平滑斑点数量的极端变化，利用当前病斑周长与最大病斑周长对当前病斑周长进行归一化处理，确保周长特征在不同周长病斑间具有数量级的一致性，利用Sigmoid函数对最终结果数值进行标准化，预设的褐斑病及细菌性疫病病害严重程度分析公式为：式中：Xsd为红芸豆的褐斑病、细菌性疫病病害程度分析值，A(t)为当前时间t的病斑总面积，Amax(t)为当前时间病斑总面积的最大值，N(t)为当前时刻病斑的数量，P(t)为当前时刻病斑的周长，Pmax(t)为当前时刻病斑周长的最大值，λ1、λ2、λ3、λ4为权重调节因子，通过历史数据数值分析获得；
红芸豆褐斑病及细菌性疫病预测分析值的公式为：
式中：XZ为红芸豆褐斑病及细菌性疫病预测分析值。
2.根据权利要求1所述的一种基于物联网的红芸豆病害监控系统，其特征在于，在YOLOv5?SE?BiFPN目标检测模块中，初始学习率为0.01，学习率的动量为0.9，每次训练的批量大小为8，输入图像的分辨率为640×640像素，迭代次数为300次，模型的性能检测评估指标为Precision、Recall和mAP。
3.根据权利要求1所述的一种基于物联网的红芸豆病害监控系统，其特征在于，在图像采集模块中，红芸豆褐斑病、细菌性疫病田间采样区域采用随机取样法确定，图像采集时间为上午11:00至下午14:00，初始采集的图片像素大于等于2600万像素。
4.根据权利要求1所述的一种基于物联网的红芸豆病害监控系统，其特征在于，在图像预处理模块中，利用高斯滤波去除图像噪声，利用直方图均衡化，基于感兴趣区域的自动裁剪算法对图像进行裁剪，使得图像调整为仅包含单叶，根据红芸豆褐斑病、细菌性疫病的特征，人工定位斑点区域，绘制矩形边框并命名为褐斑区。
5.根据权利要求1所述的一种基于物联网的红芸豆病害监控系统，其特征在于，数据显示模块为整个系统的监控终端界面，实时显示从田间采集到的红芸豆叶片图像及其预处理结果，实时更新和展示YOLOv5?SE?BiFPN目标检测模块识别出的病害图像及特征，显示褐斑病及细菌性疫病特征数据提取模块提取的各类病斑特征数据，包括病斑位置信息、病斑面积、病斑数量、病斑周长，显示褐斑病及细菌性疫病数据分析模块的分析结果，包括病害扩展趋势因子、病害严重程度分析值以及红芸豆褐斑病及细菌性疫病预测分析值，提供历史数据的图表展示功能，便于用户对比当前病害情况与历史情况，分析病害发展趋势，支持按照时间段查看病害数据的变化情况，当病害扩展趋势因子、病害严重程度分析值超过预设阈值时，自动触发报警，提醒用户及时采取相应的防治措施。 说明书 : 一种基于物联网的红芸豆病害监控系统技术领域[0001] 本发明涉及监测技术领域，更具体地说，本发明涉及一种基于物联网的红芸豆病害监控系统。背景技术[0002] 红芸豆是一种重要的经济作物，具有很高的药用价值和营养价值，但是其生长过程中容易受到多种病虫害的侵袭，褐斑病、细菌性疫病是一种常见于红芸豆生长过程中的病害，会导致植株叶片干枯和脱落，影响作物的结荚，严重影响红芸豆的产量，随着计算机技术的飞速发展，传统红芸豆褐斑病、细菌性疫病人工监测主观性强、耗时长、效率低且难以实现实时监测的不足已经被改善，在公开的文献《ImprovementoftheYOLOv5ModelintheOptimizationoftheBrownSpotDiseaseRecognitionAlgorithmofKidneyBean》中，PengyanSu等人在YOLOv5模型中引入双向特征金字塔网络（BiFPN）和注意力机制，用于突出识别红芸豆褐斑病、细菌性疫病叶片图像的局部特征，并过滤关键特征，使得模型在保持原YOLOv5模型检测速度的同时，能够更准确地识别红芸豆褐斑病、细菌性疫病病害区域，提高红芸豆褐斑病、细菌性疫病关键特征的过滤能力，且进一步优化了模型对红芸豆褐斑病、细菌性疫病的检测性能，但是该模型为了排除周围环境和其他叶片的干扰，是针对采集时间统一规定为上午11:00至下午14:00，使用佳能6D2相机（2600万像素）在充足的户外自然光下拍摄的患褐斑病、细菌性疫病单叶裁剪图像进行识别，但是没有在红芸豆褐斑病、细菌性疫病识别的基础上进一步对单叶片识别的数据进行分析，以获取更多的关于红芸豆褐斑病、细菌性疫病的病害信息，基于物联网对田间红芸豆的褐斑病、细菌性疫病进行实时监测和分析，有效帮助防治红芸豆田间褐斑病、细菌性疫病的蔓延和加重。发明内容[0003] 为了克服现有技术的上述缺陷，本发明提供一种基于物联网的红芸豆病害监控系统，结合物联网技术和YOLOv5?SE?BiFPN目标检测模块，实时监控红芸豆褐斑病、细菌性疫。隑iFPN和注意力机制，提高检测精度和稳定性，提取病斑特征数据，分析病害趋势和严重程度，辅助农业管理者决策，预防和控制红芸豆褐斑病、细菌性疫病的病害蔓延。[0004] 为实现上述目的，本发明提供如下技术方案：[0005] 一种基于物联网的红芸豆病害监控系统，包括图像采集设备、图像预处理模块、YOLOv5?SE?BiFPN目标检测模块、褐斑病及细菌性疫病特征数据提取模块、褐斑病及细菌性疫病数据分析模块和数据显示模块，图像采集设备与图像预处理模块相连，图像预处理模块与YOLOv5?SE?BiFPN目标检测模块相连，YOLOv5?SE?BiFPN目标检测模块与褐斑病及细菌性疫病特征数据提取模块相连，褐斑病及细菌性疫病特征数据提取模块与褐斑病及细菌性疫病数据分析模块相连，图像预处理模块、YOLOv5?SE?BiFPN目标检测模块、褐斑病及细菌性疫病特征数据提取模块、褐斑病及细菌性疫病数据分析模块均与数据显示模块相连，图像采集设备用于采集红芸豆田间的植株单片叶片图像，并将图像数据传输给图像预处理模块，基于物联网技术实时监控红芸豆的生长情况，图像预处理模块用于对采集的图像进行预处理，并将处理好的图像传输给YOLOv5?SE?BiFPN目标检测模块和数据显示模块，YOLOv5?SE?BiFPN目标检测模块在YOLOv5s目标检测模型中引入双向特征金字塔网络（BiFPN），用于高效的双向跨尺度连接和加权多尺度特征融合，引入自适应学习的特征权重，执行自顶向下和自底向上的多尺度特征融合，通过全局池化将每个特征图的空间维度压缩为一个单一数值，以整合通道内的信息，通过学习得到的权重，对每个通道进行加权，突出对网络任务更为关键的信息，通过将学习得到的通道权重重新加权原始特征图，使网络能够更加集中地对于特定认为更为重要的特征，对红芸豆褐斑病、细菌性疫病每个特征的通道进行加权计算，优化红芸豆单叶褐斑病、细菌性疫病特征的表达，准确识别田间图像集中患有红芸豆褐斑病、细菌性疫病的单叶，并将识别出的红芸豆褐斑病、细菌性疫病单叶图像传输给褐斑病及细菌性疫病特征数据提取模块和数据显示模块，褐斑病及细菌性疫病特征数据提取模块从识别的红芸豆褐斑病、细菌性疫病单叶图像特征数据中提取褐斑病及细菌性疫病斑点的位置信息、斑点面积、斑点数量、斑点的周长和斑点的面积，并将数据传输给褐斑病、细菌性疫病特征分析模块和数据显示模块，利用预设的褐斑病及细菌性疫病病害扩展趋势分析公式获取红芸豆褐斑病及细菌性疫病扩展趋势分析因子，利用预设的褐斑病及细菌性疫病病害严重程度分析公式获取红芸豆褐斑病及细菌性疫病病害严重程度分值，再将获得的红芸豆褐斑病及细菌性疫病扩展趋势分析因子和红芸豆褐斑病及细菌性疫病病害严重程度分值相乘获取红芸豆褐斑病及细菌性疫病预测分析值，并将获得的数据传输给数据显示模块。[0006] 作为本发明进一步的方案，YOLOv5?SE?BiFPN目标检测模块包括Input端、Backbone、Neck和Prediction，在Input端输入一张红芸豆单叶图像，提取图像中的特征，通过全局池化将每个特征图的空间维度压缩为一个单一数值，以整合通道内的信息，通过学习得到的权重，对每个通道进行加权，突出对网络任务更为关键的信息，通过将学习得到的通道权重重新加权原始特征图，使网络能够更加集中地对于特定认为更为重要的特征，对特征的每个通道的权重进行自适应学习，在索引为13和17的位置，使用双向特征金字塔网络（BiFPN）中的Add操作融合Backbone中的P4和P3特征，增强特征之间的信息交互，最后模型在Neck中逐渐传递和处理图像的特征，Prediction输出预测红芸豆单叶图像中斑点的位置和类别信息。[0007] YOLOv5模型是一种基于深度学习的目标检测模型，其主要特点在保持高检测精度的同时显著提高了检测的速度，因此成为目标检测领域的首选模型之一，但是在处理红芸豆褐斑病、细菌性疫病病害识别任务时，模型难以准确选择和关注红芸豆褐斑病、细菌性疫病病害的重要特征，容易出现过拟合现象，从而导致模型识别效率下降，双向特征金字塔网络（BiFPN）是一种高效的特征融合网络结构，被广泛应用于图像处理技术和计算机视觉任务中的目标检测和语义分割，通过双向特征传播机制，多层特征得以整合和利用，从而更好地捕捉目标的多尺度特征，BiFPN将上下文信息添加到原始FPN模块的边缘，BiFPN网络忽略只有一个输入边的节点，网络认为，如果一个节点只有一个输入边，则对特征网络的贡献很。蛭挥凶愎坏男畔⒔杏行У奶卣魅诤，所以对网络的贡献较。送，在同一层中的输入和输出节点之间添加额外的边，通过迭代堆叠获得更高级别的融合特征，这种策略有助于提高BiFPN网络的特征融合效率和准确性，增强模型对特定场景的特征提取能力，BiFPN网络旨在实现对具有不同分辨率的输入特征的有效融合，并考虑它们对输出特征的贡献，首先，设置学习参数以确保输入层大小的一致性，并向每个特征层添加额外的权重，其次，使用快速归一化融合方法对特征层进行加权。注意力机制的发展受到人类视觉系统的启发，人类视觉系统在处理复杂图像和从复杂背景中提取关键特征方面表现出了卓越的能力，因此，研究人员将这一视觉注意力机制应用于机器视觉，使得模型能够自动选择和关注输入数据中对任务更重要的部分，从而提高模型的性能，软注意力可以在深度学习中更方便地迭代计算注意力权重，因此被广泛应用于相关研究中，挤压与激励（SE）注意力网络，通过对每个特征通道进行加权来提取关键特征，通过将SE模块加入YOLOv5x模型，使得模型在杂草和生菜植物识别中表现出最高性能，SE模块通过对每个特征通道进行加权，有效提取了番茄病毒病的关键特征，使得网络更加关注重要特征通道，同时减少对无关信息的关注，从而提高了模型识别关键特征的能力。[0008] 作为本发明进一步的方案，在YOLOv5?SE?BiFPN目标检测模块中，初始学习率为0.01，学习率的动量为0.9，每次训练的批量大小为8，输入图像的分辨率为640×640像素，迭代次数为300次，模型的性能检测评估指标为Precision、Recall和mAP，Precision表示正确检测到的病害框的比例，mAP是目标检测模型性能的综合评价指标，同时考虑了Precision和Recall。[0009] 作为本发明进一步的方案，在图像采集模块中，红芸豆褐斑病、细菌性疫病田间采样区域采用随机取样法确定，图像采集时间为上午11:00至下午14:00，初始采集的图片像素大于等于2600万像素。[0010] 作为本发明进一步的方案，在图像预处理模块中，利用高斯滤波去除图像噪声，利用直方图均衡化，基于感兴趣区域的自动裁剪算法对图像进行裁剪，使得图像调整为仅包含单叶，根据红芸豆褐斑病、细菌性疫病的特征，人工定位斑点区域，绘制矩形边框并命名为褐斑区。[0011] 作为本发明进一步的方案，在褐斑病及细菌性疫病数据分析模块中，褐斑病及细菌性疫病病害扩展趋势分析公式利用对数函数有效处理当前褐斑病、细菌性疫病总面积的增长趋势，在初期增长较快的情况下，平滑急剧变化的数据，利用指数函数处理斑点数量的变化，及时捕捉斑点数量的变化情况，利用三角函数引入周期变化常数，考虑季节对褐斑病、细菌性疫病的影响，利用根值函数结合斑点总面积和斑点总数量的数据特征，使用Sigmoid函数对最终结果数值进行标准化，使得输出数值在0到1之间，预设的斑病病害扩展趋势分析公式为：[0012] ;[0013] 式中： 为红芸豆的褐斑病、细菌性疫病病害扩展趋势因子，为Sigmoid函数，为当前时刻， 为时间 时刻的病斑总面积， 为时间 时刻的病斑数量，为周期性常数，根据褐斑病、细菌性疫病发生的季节周期性设定，、、均为权重调节因子，通过拟合历史数据进行调整。[0014] 作为本发明进一步的方案，在褐斑病及细菌性疫病数据分析模块中，褐斑病及细菌性疫病病害严重程度分析公式利用当前病斑总面积与最大病斑总面积对当前病斑总面积进行归一化处理，使得面积特征对不同大小的病斑具有相同的尺度，对斑点数量取对数，减少斑点数量差异对结果的影响，平滑斑点数量的极端变化，利用当前病斑周长与最大病斑周长对当前病斑周长进行归一化处理，确保周长特征在不同周长病斑间具有数量级的一致性，利用Sigmoid函数对最终结果数值进行标准化，预设的褐斑病及细菌性疫病病害严重程度分析公式为：[0015] ;[0016] 式中： 为红芸豆的褐斑病、细菌性疫病病害程度分析值， 为当前时间 的病斑总面积， 为当前时间病斑总面积的最大值， 为当前时刻病斑的数量，为当前时刻病斑的周长， 为当前时刻病斑周长的最大值， 、 、 、 为权重调节因子，通过历史数据数值分析获得。[0017] 作为本发明进一步的方案，红芸豆褐斑病及细菌性疫病预测分析值的公式为：[0018] ;[0019] 式中： 为红芸豆褐斑病及细菌性疫病预测分析值。[0020] 作为本发明进一步的方案，数据显示模块为整个系统的监控终端界面，实时显示从田间采集到的红芸豆叶片图像及其预处理结果，实时更新和展示YOLOv5?SE?BiFPN目标检测模块识别出的病害图像及特征，显示褐斑病及细菌性疫病特征数据提取模块提取的各类病斑特征数据，包括病斑位置信息、病斑面积、病斑数量、病斑周长，显示褐斑病及细菌性疫病数据分析模块的分析结果，包括病害扩展趋势因子、病害严重程度分析值以及红芸豆褐斑病及细菌性疫病预测分析值，提供历史数据的图表展示功能，便于用户对比当前病害情况与历史情况，分析病害发展趋势，支持按照时间段查看病害数据的变化情况，当病害扩展趋势因子或病害严重程度分析值超过预设阈值时，自动触发报警，提醒用户及时采取相应的防治措施。[0021] 本发明相比于现有技术的技术效果和优点：本发明通过物联网技术和YOLOv5?SE?BiFPN目标检测模块的结合，能够实时监控红芸豆褐斑病、细菌性疫病的发展情况，使得数据采集和传输更加高效，实现了对红芸豆田间病害的实时监测和分析，引入双向特征金字塔网络（BiFPN）和挤压与激励（SE）注意力机制，使得YOLOv5?SE?BiFPN目标检测模块在保持高检测速度的同时，能够更加准确地识别红芸豆褐斑病、细菌性疫病的病害区域，通过对每个特征通道进行加权计算，优化了红芸豆单叶褐斑病、细菌性疫病特征的表达，提高了模型的识别精度和稳定性，褐斑病及细菌性疫病特征数据提取模块和褐斑病及细菌性疫病数据分析模块通过提取病斑的位置信息、面积、数量、周长的特征数据，利用预设的公式进行病害扩展趋势和病害严重程度的分析，提供了全面的病害信息，能够更好地辅助农业管理者进行决策，有效预防和控制病害的蔓延。附图说明[0022] 图1为本发明的系统框图；[0023] 图2为本发明的YOLOv5?SE?BiFPN目标检测模块的网络结构图。具体实施方式[0024] 下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的技术方案仅仅是本发明一部分技术方案，而不是全部的技术方案。基于本发明中的内容，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技术方案，都属于本发明保护的范围。[0025] 如图1所示，本发明提出的一种基于物联网的红芸豆病害监控系统，包括图像采集设备、图像预处理模块、YOLOv5?SE?BiFPN目标检测模块、褐斑病及细菌性疫病特征数据提取模块、褐斑病及细菌性疫病数据分析模块和数据显示模块，图像采集设备与图像预处理模块相连，图像预处理模块与YOLOv5?SE?BiFPN目标检测模块相连，YOLOv5?SE?BiFPN目标检测模块与褐斑病及细菌性疫病特征数据提取模块相连，褐斑病及细菌性疫病特征数据提取模块与褐斑病及细菌性疫病数据分析模块相连，图像预处理模块、YOLOv5?SE?BiFPN目标检测模块、褐斑病及细菌性疫病特征数据提取模块、褐斑病及细菌性疫病数据分析模块均与数据显示模块相连，图像采集设备用于采集红芸豆田间的植株单片叶片图像，并将图像数据传输给图像预处理模块，基于物联网技术实时监控红芸豆的生长情况，图像预处理模块用于对采集的图像进行预处理，并将处理好的图像传输给YOLOv5?SE?BiFPN目标检测模块和数据显示模块，YOLOv5?SE?BiFPN目标检测模块在YOLOv5s目标检测模型中引入双向特征金字塔网络（BiFPN），用于高效的双向跨尺度连接和加权多尺度特征融合，引入自适应学习的特征权重，执行自顶向下和自底向上的多尺度特征融合，通过全局池化将每个特征图的空间维度压缩为一个单一数值，以整合通道内的信息，通过学习得到的权重，对每个通道进行加权，突出对网络任务更为关键的信息，通过将学习得到的通道权重重新加权原始特征图，使网络能够更加集中地对于特定认为更为重要的特征，对红芸豆褐斑病、细菌性疫病每个特征的通道进行加权计算，优化红芸豆单叶褐斑病、细菌性疫病特征的表达，准确识别田间图像集中患有红芸豆褐斑病、细菌性疫病的单叶，并将识别出的红芸豆褐斑病、细菌性疫病单叶图像传输给褐斑病及细菌性疫病特征数据提取模块和数据显示模块，褐斑病及细菌性疫病特征数据提取模块从识别的红芸豆褐斑病、细菌性疫病单叶图像特征数据中提取褐斑病及细菌性疫病斑点的位置信息、斑点面积、斑点数量、斑点的周长和斑点的面积，并将数据传输给褐斑病、细菌性疫病特征分析模块和数据显示模块，利用预设的褐斑病及细菌性疫病病害扩展趋势分析公式获取红芸豆褐斑病及细菌性疫病扩展趋势分析因子，利用预设的褐斑病及细菌性疫病病害严重程度分析公式获取红芸豆褐斑病及细菌性疫病病害严重程度分值，再将获得的红芸豆褐斑病及细菌性疫病扩展趋势分析因子和红芸豆褐斑病及细菌性疫病病害严重程度分值相乘获取红芸豆褐斑病及细菌性疫病预测分析值，并将获得的数据传输给数据显示模块。[0026] 通过物联网技术，能实时监控红芸豆的生长状况和病害发展，及时发现问题，减少病害扩散的风险，自动化的图像采集设备和传输模块使数据采集和传输更加高效，减少了人工干预，提高了工作效率，引入双向特征金字塔网络（BiFPN）和注意力机制，优化了YOLOv5模型的特征提取和识别能力，确保在保持高检测速度的同时，能够更准确地识别红芸豆褐斑病、细菌性疫病病害区域，BiFPN网络实现了多尺度特征的高效融合，提升了模型在不同尺度下的特征提取能力，增加了识别精度和稳定性，褐斑病及细菌性疫病特征数据提取模块和数据分析模块能够提取和分析病斑的多种特征数据，如位置信息、面积、数量、周长，并利用预设公式进行病害扩展趋势和严重程度的分析，提供全面的病害信息，通过详细的数据分析和病害预测，能够帮助农业管理者做出科学的决策，有效预防和控制病害的蔓延，减少经济损失，当病害扩展趋势因子或严重程度分析值超过预设阈值时，能够自动触发报警，提醒用户及时采取相应的防治措施，进一步提高病害管理的及时性和有效性，数据显示模块提供历史数据的图表展示功能，方便用户对比当前病害情况与历史情况，分析病害发展趋势，制定更有效的管理策略。[0027] 如图2所示，YOLOv5?SE?BiFPN目标检测模块包括Input端、Backbone、Neck和Prediction，在Input端输入一张红芸豆单叶图像，提取图像中的特征，通过全局池化将每个特征图的空间维度压缩为一个单一数值，以整合通道内的信息，通过学习得到的权重，对每个通道进行加权，突出对网络任务更为关键的信息，通过将学习得到的通道权重重新加权原始特征图，使网络能够更加集中地对于特定认为更为重要的特征，对特征的每个通道的权重进行自适应学习，在索引为13和17的位置，使用双向特征金字塔网络（BiFPN）中的Add操作融合Backbone中的P4和P3特征，增强特征之间的信息交互，最后模型在Neck中逐渐传递和处理图像的特征，Prediction输出预测红芸豆单叶图像中斑点的位置和类别信息。[0028] 在Input端输入图像，通过Backbone提取图像特征，利用SE注意力机制对特征通道的权重进行自适应学习，使模型更加关注重要特征，提高特征提取的精度，在索引为13和17的位置使用BiFPN中的Add操作融合Backbone中的P4和P3特征，通过双向特征金字塔网络（BiFPN）实现特征的双向跨尺度连接和加权多尺度特征融合，增强特征之间的信息交互，使得模型能够更好地捕捉目标的多尺度特征，注意力机制对特征通道的权重进行自适应学习，使模型能够自动选择和关注输入数据中更重要的部分，提高模型对关键特征的关注度，减少无关信息的干扰，通过注意力机制对特征进行加权计算，优化了红芸豆单叶褐斑病、细菌性疫病特征的表达，提高了模型的识别精度和稳定性，减少了过拟合现象的发生，在Neck中逐层传递和处理图像特征，通过多次融合和处理，逐步增强特征信息的表达能力，提高模型的检测性能，在Prediction端输出预测结果，包括斑点的位置和类别信息，通过精确识别红芸豆单叶图像中的褐斑病及细菌性疫病斑点，提供详细的病害信息，帮助农业管理者进行科学的决策。[0029] YOLOv5模型是一种基于深度学习的目标检测模型，其主要特点在保持高检测精度的同时显著提高了检测的速度，因此成为目标检测领域的首选模型之一，但是在处理红芸豆褐斑病、细菌性疫病病害识别任务时，模型难以准确选择和关注红芸豆褐斑病、细菌性疫病病害的重要特征，容易出现过拟合现象，从而导致模型识别效率下降，双向特征金字塔网络（BiFPN）是一种高效的特征融合网络结构，被广泛应用于图像处理技术和计算机视觉任务中的目标检测和语义分割，通过双向特征传播机制，多层特征得以整合和利用，从而更好地捕捉目标的多尺度特征，BiFPN将上下文信息添加到原始FPN模块的边缘，BiFPN网络忽略只有一个输入边的节点，网络认为，如果一个节点只有一个输入边，则对特征网络的贡献很。蛭挥凶愎坏男畔⒔杏行У奶卣魅诤，并对网络的贡献较。送，在同一层中的输入和输出节点之间添加额外的边，通过迭代堆叠获得更高级别的融合特征，这种策略有助于提高BiFPN网络的特征融合效率和准确性，增强模型对特定场景的特征提取能力，BiFPN网络旨在实现对具有不同分辨率的输入特征的有效融合，并考虑它们对输出特征的贡献，首先，设置学习参数以确保输入层大小的一致性，并向每个特征层添加额外的权重，其次，使用快速归一化融合方法对特征层进行加权。注意力机制的发展受到人类视觉系统的启发，人类视觉系统在处理复杂图像和从复杂背景中提取关键特征方面表现出了卓越的能力，因此，研究人员将这一视觉注意力机制应用于机器视觉，使得模型能够自动选择和关注输入数据中对任务更重要的部分，从而提高模型的性能，软注意力可以在深度学习中更方便地迭代计算注意力权重，因此被广泛应用于相关研究中，注意力机制中，通过对每个特征通道进行加权来提取关键特征，通过将SE模块加入YOLOv5x模型，使得模型在杂草和生菜植物识别中表现出最高性能，SE模块通过对每个特征通道进行加权，有效提取了番茄病毒病的关键特征，使得网络更加关注重要特征通道，同时减少对无关信息的关注，从而提高了模型识别关键特征的能力。[0030] 需要说明的是，在YOLOv5?SE?BiFPN目标检测模块中，初始学习率为0.01，学习率的动量为0.9，每次训练的批量大小为8，输入图像的分辨率为640×640像素，迭代次数为300次，模型的性能检测评估指标为Precision、Recall和mAP，Precision表示正确检测到的病害框的比例，mAP是目标检测模型性能的综合评价指标，同时考虑了Precision和Recall。[0031] 初始学习率为0.01能够确保模型在训练初期快速收敛，同时避免过大步长导致的训练不稳定或发散现象，结合动量使用，初始学习率通过学习率调度策略逐步调整，适应不同训练阶段的需求，提升模型性能，动量的引入以加速模型收敛，减少训练过程中梯度震荡的影响，动量机制能帮助模型跳出局部最优解，使得训练过程更加平滑和稳定，批量大小为8在一定程度上减少了显存占用，适应大多数GPU硬件条件，同时保证梯度估计的准确性，适中的批量大小有助于平衡训练速度和模型性能，使得训练过程高效且结果可靠，较高的图像分辨率确保了模型能够捕捉更多细节，有助于提取更高质量的特征，高分辨率图像输入提高了检测精度，使得模型能够更准确地识别病斑区域，300次迭代确保了模型能够充分学习数据中的特征，避免欠拟合问题，适度的迭代次数结合其他正则化措施，以减少过拟合的风险，使得模型泛化能力更强，Precision和Recall分别衡量模型的准确性和检出率，而mAP综合考虑二者，提供全面的性能评价，这些评估指标帮助确定模型的实际检测能力，确保在实际应用中模型能够可靠地识别病害，提供精准的检测结果。[0032] 需要说明的是，在图像采集模块中，红芸豆褐斑病、细菌性疫病田间采样区域采用随机取样法确定，图像采集时间为上午11:00至下午14:00，初始采集的图片像素大于等于2600万像素。[0033] 随机取样法能够确保采样区域具有代表性，覆盖整个田间不同位置和条件下的植株，从而避免采样偏差，通过随机取样，能均匀分布采样点，减少人为选择带来的系统误差，确保采集的数据更具有普遍性和客观性。图像采集时间为上午11:00至下午14:00，在这个时间段，阳光充足且相对稳定，能够提供良好的自然光照条件，减少因光线变化导致的图像质量不一致，避免了早晨和傍晚光线较弱和变化剧烈的情况，确保采集到的图像具有一致的亮度和对比度，利于后续图像处理和分析。初始采集的图片像素大于等于2600万像素，可以捕捉更多的细节信息，有助于精确识别和分析红芸豆褐斑病、细菌性疫病病斑，在后续处理和特征提取过程中，能进行多次放大和细节分析，而不会丢失重要的特征信息，提高识别的准确性。[0034] 需要说明的是，在图像预处理模块中，利用高斯滤波去除图像噪声，利用直方图均衡化，基于感兴趣区域的自动裁剪算法对图像进行裁剪，使得图像调整为仅包含单叶，根据红芸豆褐斑病、细菌性疫病的特征，人工定位斑点区域，绘制矩形边框并命名为褐斑区。[0035] 高斯滤波能有效减少图像中的噪声，提高后续处理步骤的稳定性，使得目标区域更加清晰可辨，直方图均衡化能改善图像的对比度和亮度分布，使得图像更易于观察和分析，有利于后续的特征提取和检测，自动裁剪算法能够精确识别感兴趣的区域，减少了处理的数据量和时间，提高了处理的效率，人工定位斑点区域和绘制矩形边框有助于准确定位目标区域，并为后续的分析提供了清晰的标记，有利于褐斑病、细菌性疫病病害的识别和分析。[0036] 需要说明的是，在褐斑病及细菌性疫病数据分析模块中，褐斑病及细菌性疫病病害扩展趋势分析公式利用对数函数有效处理当前褐斑病、细菌性疫病总面积的增长趋势，在初期增长较快的情况下，平滑急剧变化的数据，利用指数函数处理斑点数量的变化，及时捕捉斑点数量的变化情况，利用三角函数引入周期变化常数，考虑季节对褐斑病、细菌性疫病的影响，利用根值函数结合斑点总面积和斑点总数量的数据特征，使用Sigmoid函数对最终结果数值进行标准化，使得输出数值在0到1之间，预设的斑病病害扩展趋势分析公式为：[0037] ;[0038] 式中： 为红芸豆的褐斑病、细菌性疫病病害扩展趋势因子，为Sigmoid函数，为当前时刻， 为时间 时刻的病斑总面积， 为时间 时刻的病斑数量，为周期性常数，根据褐斑病、细菌性疫病发生的季节周期性设定，、、均为权重调节因子，通过拟合历史数据进行调整。[0039] 利用对数函数平滑处理当前褐斑病、细菌性疫病总面积的增长趋势，能够有效地消除数据中的噪声和突变，更准确地反映病害的发展情况，通过指数函数处理斑点数量的变化，及时捕捉斑点数量的波动情况，提高了对病害数量变化的敏感度，引入三角函数处理周期变化常数，考虑了季节对褐斑病、细菌性疫病的影响，使得分析结果更加贴近实际情况，增强了模型的适用性和准确性，利用根值函数结合斑点总面积和斑点总数量的数据特征，综合考虑了病害的面积和数量对病害扩展趋势的影响，使得分析更全面、准确，通过Sigmoid函数对结果数值进行标准化，将输出数值限制在0到1之间，使得结果更易理解和比较，提高了分析结果的可解释性和可操作性。[0040] 需要说明的是，在褐斑病及细菌性疫病数据分析模块中，褐斑病及细菌性疫病病害严重程度分析公式利用当前病斑总面积与最大病斑总面积对当前病斑总面积进行归一化处理，使得面积特征对不同大小的病斑具有相同的尺度，对斑点数量取对数，减少斑点数量差异对结果的影响，平滑斑点数量的极端变化，利用当前病斑周长与最大病斑周长对当前病斑周长进行归一化处理，确保周长特征在不同周长病斑间具有数量级的一致性，利用Sigmoid函数对最终结果数值进行标准化处理，预设的褐斑病及细菌性疫病病害严重程度分析公式为：[0041] ;[0042] 式中： 为红芸豆的褐斑病、细菌性疫病病害程度分析值， 为当前时间 的病斑总面积， 为当前时间病斑总面积的最大值， 为当前时刻病斑的数量，为当前时刻病斑的周长， 为当前时刻病斑周长的最大值， 、 、 、 为权重调节因子，通过历史数据数值分析获得。[0043] 对病斑总面积、病斑数量和病斑周长进行归一化处理，使得不同大小和形状的病斑具有相同的尺度，有利于综合考虑这些特征对病害严重程度的影响，提高了分析的准确性和可比性，对斑点数量取对数和平滑斑点数量的极端变化，减少了斑点数量差异对结果的影响，使得分析更加稳定和可靠，能够更好地反映病害的严重程度，通过归一化处理确保病斑周长特征在不同大小病斑之间具有一致性的数量级，使得周长特征在分析中起到更加稳定和可靠的作用，利用Sigmoid函数对最终结果数值进行标准化，使得结果数值范围在0到1之间，易于理解和比较，提高了分析结果的可解释性和可操作性，通过权重调节因子对不同特征的重要性进行调节，能够根据实际情况对分析结果进行灵活控制，增强了模型的适用性和可调节性。[0044] 需要说明的是，红芸豆褐斑病及细菌性疫病预测分析值的公式为：[0045] ;[0046] 式中： 为红芸豆褐斑病及细菌性疫病预测分析值。[0047] 这个公式用于计算红芸豆褐斑病、细菌性疫病的预测分析值，其数学含义是根据红芸豆褐斑病、细菌性疫病的扩展趋势和严重程度两个因素，综合评估病害的预测情况。具体而言：分子部分表示综合考虑了褐斑病、细菌性疫病的扩展趋势和严重程度，两者乘积反映了病害的综合影响；分母部分表示扩展趋势和严重程度的总和，相当于对两个因素进行了加权求和。通过这样的计算，得到的数值反映了红芸豆褐斑病、细菌性疫病预测的综合分析值。将褐斑病、细菌性疫病的扩展趋势和严重程度两个关键因素进行综合考虑，更全面地评估了病害的预测情况，有助于提高预测的准确性和可信度。通过分子与分母的乘积和求和，平衡了扩展趋势和严重程度对预测结果的影响，使得预测值更具权衡性和客观性。将不同因素的影响融合在一个综合指标中，提高了结果的可解释性，使得农业管理者更容易理解和应用预测结果，从而采取更有针对性的管理措施。[0048] 需要说明的是，数据显示模块为整个系统的监控终端界面，实时显示从田间采集到的红芸豆叶片图像及其预处理结果，实时更新和展示YOLOv5?SE?BiFPN目标检测模块识别出的病害图像及特征，显示褐斑病及细菌性疫病特征数据提取模块提取的各类病斑特征数据，包括病斑位置信息、病斑面积、病斑数量、病斑周长，显示褐斑病及细菌性疫病数据分析模块的分析结果，包括病害扩展趋势因子、病害严重程度分析值以及红芸豆褐斑病及细菌性疫病预测分析值，提供历史数据的图表展示功能，便于用户对比当前病害情况与历史情况，分析病害发展趋势，支持按照时间段查看病害数据的变化情况，当病害扩展趋势因子或病害严重程度分析值超过预设阈值时，自动触发报警，提醒用户及时采取相应的防治措施。[0049] 用户能实时查看田间采集的红芸豆叶片图像、病害图像及其特征，以及各类病斑特征数据和数据分析结果，帮助用户及时了解红芸豆的健康状况，提供历史数据的图表展示功能，便于用户对比当前病害情况与历史情况，分析病害发展趋势，从而更好地制定农业管理策略，当病害扩展趋势因子或病害严重程度分析值超过预设阈值时，系统能够自动触发报警，及时提醒用户采取相应的防治措施，有助于防止病害的进一步扩散和影响，提供了按时间段查看病害数据变化情况的功能，使用户能够更方便地获取所需信息，从而更加高效地进行农业管理和决策。[0050] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。[0051] 最后：以上所述仅为本发明的优选技术方案而已，并不用于限制本发明，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。

专利地区：山西

专利申请日期：2024-09-24

专利公开日期：2024-11-29

专利公告号：CN118840667B