(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211339091.2 (22)申请日 2022.10.28 (71)申请人 北京市农林科 学院 地址 100097 北京市海淀区曙光 花园中路9 号 (72)发明人 赵瑞芳　罗长寿　魏清凤　陆阳　 龚晶　余军　王富荣　郑亚明　 曹承忠　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 张正秋 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/762(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于YOLO v5的农业病虫害检测方法及装置 (57)摘要 本发明提供一种基于YOL O v5的农业病虫害 检测方法及装置， 通过构建基于深度监督的YOL O  v5病虫害检测模型， 基于深度监督的YOLO  v5病 虫害检测模型包括Stem主干 特征网络、 特征提取 网络和预测网络； 将待检测农业病虫害图像输入 基于深度监督的YOLO  v5病虫害检测模型， 以使 Stem主干特征网络提取待检测农业病虫害图像 中的初步特征， 特征提取网络从所述初步特征中 提取有效特征， 预测网络根据有效特征输出预测 结果， 由于对YOLO  v5模型中主干特征网络进行 了改进， 将原来的Focus模 块改为Stem模 块， 加强 了特征提取能力， 在控制计算量的基础上有效提 升特征表达能力， 有效提升模型检测农业病虫害 的准确性。 权利要求书3页 说明书12页 附图9页 CN 115546187 A 2022.12.30 CN 115546187 A 1.一种农业病虫害检测方法， 其特 征在于， 包括： 构建基于深度 监督的YOLO  v5病虫害检测模型， 所述基于深度 监督的YOLO  v5病虫害检 测模型包括Stem主干特 征网络、 特 征提取网络和预测网络； 将待检测农业病虫害图像输入所述基于深度监督的YOLO  v5病虫害检测模型， 以使所 述Stem主干特征网络提取所述待检测农业病虫害图像中的初步特征， 所述特征提取网络从 所述初步特 征中提取有效特 征， 所述预测网络根据所述有效特 征输出预测结果。 2.根据权利要求1所述的农业病虫害检测方法， 其特征在于， 所述Stem主干特征网络提 取所述待检测农业病虫害图像中的初步特 征， 包括： 对待检测农业病虫害图像对应的特 征集合进行降维处 理； 将降维后的特征集合分别输入第 一卷积神经网络和第 一最大池化网络， 并将所述第 一 卷积神经网络和第一 最大池化网络 输出结果进行第一连接操作； 将第一连接操作结果分别输入第 二卷积神经网络和第 三卷积神经网络， 并将所述第 二 卷积神经网络和第三卷积神经网络 输出结果进行第二连接操作； 将第二连接操作结果分别输入第四卷积神经网络和第 二最大池化网络， 并将所述第四 卷积神经网络和第二 最大池化网络 输出结果进行第三连接操作， 得到第一网络特 征层； 将所述第一网络特 征层输入CBL模块， 所述CBL模块包括CONV层、 BN层和激活函数； 将CBL模块输出结果输入主干CSP模块， 所述主干CSP模块包括第一主干分支和第二主 干分支， 所述第一主干分支包括CBL模块、 残差组件和卷积网络； 第二主干分支包括卷积网 络； 将主干CSP模块输出结果再次输入CBL模块， 得到第二网络特征层， 所述第二网络特征 层用于输出所述待检测农业病虫害图像中的初步特 征。 3.根据权利要求2所述的农业病虫害检测方法， 其特征在于， 所述特征提取网络从所述 初步特征中提取有效特 征， 包括： 将所述第二网络特 征层输入CBL模块和主干 CSP模块， 得到第三网络特 征层； 将所述第三网络特 征层输入CBL模块和主干 CSP模块， 得到第四网络特 征层； 将所述第 四网络特征层输入空间金字塔池化结构网络和提取CSP模块， 得到第五网络 特征层， 所述第三网络特 征层、 第四网络特 征层和第五网络特 征层用于 输出有效特 征； 所述空间金字塔池化结构网络中包括两个卷积层和多个核大小不同的最大池化层； 所述提取CSP模块包括第一提取分支和第二提取分支， 所述第一提取分支包括CBL模 块、 多个CBL模块和卷积网络， 所述第二 提取分支包括卷积网络 。 4.根据权利要求3所述的农业病虫害检测方法， 其特征在于， 所述特征提取网络从所述 初步特征中提取有效特 征， 还包括： 将所述第五网络特征层进行第 一上采样， 将第 一上采样输出的特征图与第 三网络特征 层进行特征融合得到第六网络特 征层； 将所述第五网络特征层进行第 二上采样， 将第 二上采样输出的特征图与第四网络特征 层进行特征融合得到第七网络特 征层； 将第七网络特征层进行第 一下采样， 将第 一次下采样输出的特征图与第六网络特征层 进行特征融合得到第八网络特 征层； 将第七网络特征层进行第 二下采样， 将第 二次下采样输出的特征图与第五网络特征层权　利　要　求　书 1/3 页 2 CN 115546187 A 2进行特征融合得到第九网络特 征层； 所述第六网络特征层、 第七网络特征层、 第八网络特征层和第九网络特征层用于输出 有效特征。 5.根据权利要求4所述的农业病虫害检测方法， 其特征在于， 所述预测网络包括引导头 和辅助头， 所述 根据所述有效特 征输出预测结果， 还 包括： 将所述第五网络特征层、 第六网络特征层、 第七网络特征层输出的有效特征分别输入 不同的辅助头， 将第七网络特征层、 第八 网络特征层、 第九网络特征层输出的有效特征分别 输入不同的引导头； 所述辅助头和引导头对所述有效特征进行深度监督学习， 输出预测结 果， 所述预测结果 根据所述引导头 输出预测结果和辅助头 输出预测结果加权求和得到 。 6.根据权利要求5所述的农业病虫害检测方法， 其特征在于， 所述引导头还用于生成粗 标签和细标签， 所述深度监 督学习的训练过程包括： 根据损失函数计算所述引导头基于训练样本集输出的预测结果与真实结果之间的第 一损失值； 根据所述第一损失值和所述细标签指导所述引导头 输出预测结果； 根据损失函数计算所述辅助头基于训练样本集输出的预测结果与真实结果之间的第 二损失值； 根据所述第二损失值和所述 粗标签指导所述辅助头 输出预测结果。 7.根据权利要求6所述的农业病虫害检测方法， 其特征在于， 所述训练样本集获取方法 包括： 将训练数据集中的多个GT框进行聚类操作得到多个先验框； 将每个GT框与每 个先验框进行匹配； 根据匹配结果筛 选出第一 正样本、 负 样本和背景； 将离GT框的中心位置最近的预设个数邻域网格作为第二 正样本； 根据所述第一 正样本、 第二 正样本、 负 样本和背景生成训练样本集。 8.根据权利要求7所述的农业病虫害检测方法， 其特征在于， 所述训练数据集的获取方 法包括： 收集农业病虫害图像； 对所述农业病虫害图像进行筛 选得到清晰的农业病虫害图像； 根据病虫害的特 征对清晰的农业病虫害图像进行分类， 形成原 始图像数据集； 对所述原 始图像数据集进行 数据扩充得到扩充图像数据集； 将扩充图像数据集划分为训练集、 验证集和 测试集； 对所述训练集中图像数据进行马赛克 数据增强； 对数据增强后的训练集中的图像逐一进行类别和位置标注， 得到训练数据集。 9.根据权利要求2所述的农业病虫害检测方法， 其特征在于， 所述待检测农业病虫害图 像对应的特 征集合获取方法包括： 将所述待检测农业病虫害图像进行 卷积处理； 将卷积处 理结果输入残差网络结构得到待检测农业病虫害图像对应的特 征集合。 10.一种农业病虫害检测检测装置， 其特 征在于， 包括： 构建模块， 用于构建基于深度监督的YOLO  v5病虫害检测模型， 所述基于深度监督的权　利　要　求　书 2/3 页 3 CN 115546187 A 3