(19)中华 人民共和国 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 202111663816.9 (22)申请日 2021.12.31 (71)申请人 华南农业大 学 地址 510642 广东省广州市天河区五山路 483号 (72)发明人 孙道宗　刘欢　丁郑　刘锦源　 谢家兴　王卫星　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 代理人 符继超 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/774(2022.01) G06V 10/36(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于轻量级优化Yolo v4的茶叶病害识别方 法及系统 (57)摘要 本发明公开了一种基于轻量级优化Yolo  v4 的茶叶病害识别方法及系统， 所述方法包括： 采 集茶叶病害图片， 经预处理后作为训练Yolo  v4 模型的数据集； 对Yolo  v4模型中的特征提取主 干模块和特征提取融合模块进行轻量级优化， 获 取优化后的Yolo  v4模型； 利用训练Yolo  v4模型 的数据集对优化后的Yolo  v4模型进行训练和验 证， 获取识别茶叶病害的最优Yolo  v4模型； 利用 得到的最优Yolo  v4模型对茶叶病害图像进行识 别。 通过本发明有效减少了原始Yolo  v4网络模 型庞大的参数量和模型体积， 并提升了茶叶病害 目标的检测效率和识别精度。 权利要求书2页 说明书8页 附图4页 CN 114359727 A 2022.04.15 CN 114359727 A 1.一种基于轻量级优化Yolo  v4的茶叶病害识别方法， 其特征在于， 所述识别方法包括 以下步骤： S1、 采集茶叶病害图片， 经 预处理后作为训练Yo lo v4模型的数据集； S2、 对Yolo  v4模型中的特征提取主干模块和特征提取融合模块进行轻量级优化， 获取 优化后的Yo lo v4模型； S3、 利用步骤S1中训练Yolo  v4模型的数据集对优化后的Yolo  v4模型进行训练和验 证， 获取识别茶叶病害的最优Yo lo v4模型； S4、 利用步骤S3中得到的最优Yo lo v4模型对茶叶病害图像进行识别。 2.根据权利要求1所述的基于轻量级优化Yolo  v4的茶叶病害识别方法， 其特征在于， 步骤S1中采集茶叶病害图片， 具体包括， 利用手持数码相 机采集茶园内不同时间点以及多 种光照条件的茶叶病害图片。 3.根据权利要求1所述的基于轻量级优化Yolo  v4的茶叶病害识别方法， 其特征在于， 步骤S1中， 对 采集的茶叶病害图片进行 预处理， 具体包括： S11、 设置茶叶病害特征成像 阈值， 根据茶叶病 害特性成像 阈值对采集的茶叶病害图片 进行筛选， 去除采集的茶叶病害图片中像素值低于茶叶病害特性成像阈值的茶叶病害图 片； S12、 根据茶叶病害特征对筛选后的茶叶病 害图片进行分类， 获取茶叶病害图片的病害 类别， 所述茶叶病害特 征包括病害形状及病害颜色； S13、 根据分类后的茶叶病害图片建立原始数据集， 利用同类数据增强法对原始数据集 中的茶叶病害图片进行扩充； S14、 将扩充后的原 始数据集分为训练集、 验证集和 测试集； S15、 将训练集中不同病害类别的茶叶病害图片作为Mixup混类增强的输入样本， 获取 Mixup混类增强后的训练集； S16、 依据茶叶病害图片的病害类别和病害在叶片上所处的位置， 对经过Mixup混类增 强后的训练集和未经过Mixup混类增强的验证集中的茶叶病害图片进行yolo格式标注， 根 据经过yolo格式标注的训练集、 验证集及未经过yolo格式标注的测试集生 成用于训练Yolo   v4模型的数据集。 4.根据权利要求3所述的基于轻量级优化Yolo  v4的茶叶病害识别方法， 其特征在于， 步骤S14中对 扩充后的原 始数据集按照7： 2： 1的比例分为训练集、 验证集和 测试集。 5.根据权利要求1所述的基于轻量级优化Yolo  v4的茶叶病害识别方法， 其特征在于， 所述步骤S2对Yolo  v4模型中的特征提取主干模块和特征提取融合模块进行轻量级优化， 具体包括： (1)采用轻量级MobilenetV2网络作为Yolo  v4模型新的特征提取主干模块， 并将 MobilenetV2网络深层的激活函数由Relu6替换为h ‑swish， 对MobilenetV2进行优化， 其中 激活函数h ‑swish的公式为： 式中， x表示Mobi lenetV2网络层中提取的茶叶病害特 征信息；权　利　要　求　书 1/2 页 2 CN 114359727 A 2(2)采用空洞卷积DT ‑Conv作为特征提取融合模块FPN结构中的卷积， 采用深度可分离 卷积DW‑Conv作为特征提取融合模块PAN结构中的卷积， 对Yolo  v4模型中特征提取融合模 块进行优化； (3)提取方法(1)中优化后的MobilenetV2中不同网络层输出的特征图out1、 out2和 out3， 所述特征图out1尺寸为52X52X32， 所述特征图out2尺寸为2 6X26X96， 所述特征图out3 尺寸为13X13X320， 其中32、 96、 320为 三个特征图的通道数； (4)将特征图out3输入到优化后的特征提取融合模块的SPPNet中， 经SPPNet处理后将 输出的特 征图与特 征图out1、 out 2一同输入到特 征提取融合模块的PANet中。 6.根据权利要求5所述的基于轻量级优化Yolo  v4的茶叶病害识别方法， 其特征在于， 步骤(4)中将特征图out3输入到优化后的特征提取融合模块的SPPNet中进行处理， 具体包 括： 将特征图out3输入到特征提取融合模块的SPPNet中， 经三次CBL卷积、 四种尺度的分块 池化处理以及Co ncat拼接 。 7.根据权利要求5所述的基于轻量级优化Yolo  v4的茶叶病害识别方法， 其特征在于， 步骤S3具体包括： S31、 使用MobilenetV2在开源数据集上预训练好 的权重作为优化后Yolo  v4模型的初 始权重； S32、 利用Yolo  v4模型数据集中的训练集对优化后的Yolo  v4网络模型进行多轮次网 络训练； S33、 利用训练Yolo  v4模型的数据集中的验证集对已标注病害信息进行监督学习， 在 多轮次网络训练中为训练集提供验证效果反馈， 并及时进行参数调整和过拟合判断以对 Yolo v4模型进行更新； 其中， 初始权重会基于所述训练Yolo  v4的数据集在网络训练过程 中自动调整， 以生成训练结束后的权 重； S34,选取网络训练结束后的若干组权重载入Yolo  v4模型预测模块， 利用Yolo  v4模型 预测模块对测试集中的茶叶病害图片进行预测效果对比分析， 获取茶叶病害最优Yolo  v4 识别模型。 8.根据权利要求7所述的基于轻量级优化Yolo  v4的茶叶病害识别方法， 其特征在于， 所述步骤S 34中对测试集中的茶叶病害图进 行对比分析， 具体包括对茶叶病害的识别精度、 识别耗时及模型实时性能进行对比分析。 9.一种基于轻量级优化Yolo  v4的茶叶病害识别系统， 其特征在于， 包括用户端和云服 务器， 所述用户端用于采集茶叶病害图片和显示茶叶病害识别结果； 所述云服务器用于根 据权利要求1 ‑8任一项所述的基于轻量级优化Yolo  v4的茶叶病害识别方法对所述用户端 采集的茶叶病害图片进行训练和识别， 并将识别结果返回给 所述用户端。权　利　要　求　书 2/2 页 3 CN 114359727 A 3