本發(fā)明涉及果樹樹葉病害識別領(lǐng)域，尤其涉及一種基于改進(jìn)yolov7的蘋果樹葉片病害檢測方法。

背景技術(shù)：

1、近幾年來，中國蘋果的產(chǎn)量逐年上升，已經(jīng)成為中國部分地區(qū)的主要經(jīng)濟(jì)來源之一。然而，蘋果樹生長過程中會(huì)出現(xiàn)一定的疾病，會(huì)影響蘋果的質(zhì)量與產(chǎn)量，從而導(dǎo)致果農(nóng)經(jīng)濟(jì)損失。

2、隨著農(nóng)業(yè)技術(shù)的不斷發(fā)展和進(jìn)步，基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)在農(nóng)業(yè)領(lǐng)域中得到了廣泛應(yīng)用?；谏疃葘W(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（cnn）算法，需要大量的數(shù)據(jù)作為訓(xùn)練，以便于更加精確地提取目標(biāo)的特征。但是，簡單的cnn算法對蘋果樹葉片的病害檢測效果較差。一階段檢測算法yolov7可以較好地應(yīng)用到蘋果樹葉片病害檢測中，但由于蘋果樹葉片病害具有形態(tài)多元、分布密集等特征，因此對蘋果樹葉病害檢測精度不佳。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提出了基于改進(jìn)yolov7的蘋果樹葉片病害檢測方法，以解決上述背景技術(shù)在存在的問題。

2、基于改進(jìn)yolov7的蘋果樹葉片病害檢測方法，具體包括以下步驟。

3、步驟1、使用手機(jī)或攝像機(jī)采集蘋果樹葉病害（結(jié)痂病、白粉病、銹病和蛙眼?。﹫D片信息，并對圖片進(jìn)行標(biāo)注。

4、步驟2、將步驟1中標(biāo)注后的病害圖片進(jìn)行篩選和處理，再將其劃分為訓(xùn)練集、測試集和驗(yàn)證集。

5、步驟3、本發(fā)明設(shè)計(jì)了一種新的特征融合模塊cat_bifpn，采用了一種級連的方式將bifpn結(jié)構(gòu)添加到y(tǒng)olov7網(wǎng)絡(luò)中，與檢測網(wǎng)絡(luò)中的特征融合模塊結(jié)合，它增強(qiáng)特征位置信息的同時(shí)又兼顧提取更深層次的特征信息，能夠準(zhǔn)確提取不同尺度的特征。

6、步驟4、在yolov7網(wǎng)絡(luò)結(jié)構(gòu)的elan和elan-h模塊后加入eca注意力機(jī)制，增強(qiáng)重要特征的提取，這種注意力機(jī)制可以在不增加模型復(fù)雜度的情況下提高模型檢測的精度。

7、步驟5、替換yolov7網(wǎng)絡(luò)中的損失函數(shù)ciou為siou，提高預(yù)測框回歸速度，加快模型的收斂，從而提高檢測精度。

8、步驟6、將步驟2中劃分好的數(shù)據(jù)集輸入到步驟5改進(jìn)后的網(wǎng)絡(luò)模型中，設(shè)置迭代次數(shù)、學(xué)習(xí)率、動(dòng)量因子、批樣本大小等初始參數(shù)。使用優(yōu)化器調(diào)整網(wǎng)絡(luò)參數(shù)，當(dāng)完成訓(xùn)練設(shè)定的迭代次數(shù)時(shí)保存此時(shí)的最好權(quán)重參數(shù)。

9、步驟7、將步驟6中保存的最好權(quán)重參數(shù)作為預(yù)訓(xùn)練權(quán)重，然后對待檢測蘋果樹葉片病害圖片進(jìn)行檢測，并查看檢測效果。

10、本發(fā)明具有以下有益效果。

11、本發(fā)明與其他檢測方法對比，通過引入的改進(jìn)方案，較好的提高了模型的檢測精度。使用多尺度融合模塊（cat_bifpn），提高模型對蘋果葉片中不同尺度病害的檢測能力。添加高效通道注意力機(jī)制（eca），可以增強(qiáng)模型對蘋果葉片重要特征的提取能力，提高模型的檢測精度。損失函數(shù)替換為siou損失函數(shù)，可以加快模型的收斂速度。

技術(shù)特征：

1.一種基于改進(jìn)yolov7的蘋果樹葉片病害檢測方法，其特征在于，

2.步驟2、對步驟1中標(biāo)注后的病害圖片進(jìn)行篩選，并劃分為訓(xùn)練集、測試集和驗(yàn)證集。

3.步驟3、使用訓(xùn)練集對改進(jìn)的yolov7模型進(jìn)行訓(xùn)練，得到蘋果樹葉片病害檢測模型。

4.步驟4、使用得到的蘋果樹葉片病害檢測模型進(jìn)行蘋果樹葉片病害檢測。

5.如權(quán)利要求1一種基于改進(jìn)yolov7的蘋果樹葉片病害檢測方法，其特征在于：步驟1中，在蘋果園中的常見的葉片病害包括結(jié)痂病、白粉病、銹病和蛙眼病，并使用lanelimg工具對圖片進(jìn)行標(biāo)注。

6.如權(quán)利要求1一種基于改進(jìn)yolov7的蘋果樹葉片病害檢測方法，其特征在于：步驟2中，移除數(shù)據(jù)集中受光照、拍攝技術(shù)影響呈現(xiàn)不好的圖片，并將其按照8:1:1劃分為訓(xùn)練集、測試集和驗(yàn)證集。

7.如權(quán)利要求1一種基于改進(jìn)yolov7的蘋果樹葉片病害檢測方法，其特征在于：步驟3中，設(shè)計(jì)了一種新的特征融合模塊cat_bifpn，采用了一種級連的方式將bifpn結(jié)構(gòu)添加到y(tǒng)olov7網(wǎng)絡(luò)中，與檢測網(wǎng)絡(luò)中的特征融合模塊結(jié)合，它增強(qiáng)特征位置信息的同時(shí)又兼顧提取更深層次的特征信息，能夠準(zhǔn)確提取不同尺度的特征。

8.如權(quán)利要求1一種基于改進(jìn)yolov7的蘋果樹葉片病害檢測方法，其特征在于：步驟3中，在yolov7網(wǎng)絡(luò)結(jié)構(gòu)的elan和elan-h模塊后加入eca注意力機(jī)制，增強(qiáng)重要特征的提取，這種注意力機(jī)制可以在不增加模型復(fù)雜度的情況下提高模型檢測的精度。

9.如權(quán)利要求1一種基于改進(jìn)yolov7的蘋果樹葉片病害檢測方法，其特征在于：步驟3中，替換yolov7網(wǎng)絡(luò)中的損失函數(shù)ciou為siou，提高預(yù)測框回歸速度，加快模型的收斂，從而提高檢測精度。

10.如權(quán)利要求1一種基于改進(jìn)yolov7的蘋果樹葉片病害檢測方法，其特征在于：步驟3中，改進(jìn)yolov7模型的訓(xùn)練參數(shù)設(shè)置為：epoch=100，batch_size=8；使用adam優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.01。

技術(shù)總結(jié)
本發(fā)明提出一種改進(jìn)的YOLOv7模型，旨在精準(zhǔn)地檢測蘋果樹葉片病害。步驟如下：首先，采集蘋果樹葉片病害圖片，進(jìn)行手動(dòng)標(biāo)注，并按照7：2：1劃分?jǐn)?shù)據(jù)集為訓(xùn)練集、驗(yàn)證集和測試集；然后，引入改進(jìn)的YOLOv7網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到蘋果樹葉片病害檢測模型；最后，根據(jù)得到的蘋果樹葉片病害檢測模型，對蘋果樹葉片病害檢測。本發(fā)明在原始的YOLOv7網(wǎng)絡(luò)中引入多尺度融合模塊（cat_BiFPN），提高模型對蘋果葉片中不同尺度病害的檢測能力；添加高效通道注意力機(jī)制（ECA），增強(qiáng)了模型對蘋果葉片重要特征的提取能力，提高模型的檢測精度；替換損失函數(shù)為SIOU，加快了模型的收斂速度。實(shí)驗(yàn)結(jié)果表明：改進(jìn)YOLOv7的模型精度為89.4%，召回率為81.5%，平均精度均值（mAP@0.5）為90.5%，與原始YOLOv7模型相比，分別提高了4.9%、5.2%、3.5%。該發(fā)明為精準(zhǔn)檢測蘋果葉片疾病提供了一種可行的技術(shù)手段。

技術(shù)研發(fā)人員：袁杰,謝霖偉,單玉剛,張迎港,袁昊,鮑慧敏,馬浩田,楊超
受保護(hù)的技術(shù)使用者：新疆大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/19