(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 202210828246.2 (22)申请日 2022.07.13 (71)申请人 安徽成方智能科技有限公司 地址 230000 安徽省合肥市高新区习友路 3333号中 国 （合肥） 国际智能语音产业 园研发中心 楼611-52室 (72)发明人 黎明曦　夏磊　尤海宁　吴畏　 刘寅龙　 (74)专利代理 机构 北京三巨人知识产权代理事 务所(普通 合伙) 16024 专利代理师 付春霞 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进YOLOX-S网络的农作物病虫害识别 方法 (57)摘要 本发明涉及图像识别技术领域， 具体为基于 改进YOLOX ‑S网络的农作物病虫害识别方法， 其 包括采集农作物病虫害图像数据， 对图像进行标 注并分为训练集、 验证集、 测试集,并对训练集进 行数据增 强； 搭建改进后的YOLO ‑S网络模型， 主 要对激活函数和多尺度检测进行改进， 并且增加 了轻量级注 意力模块； 设置模型训练参数并进行 训练， 最终得到一个能够对图像中的农作物病虫 害进行识别与定位的最优网络； 通过该最优网络 对任意输入的图像中的农作物病虫害进行自动 识别与定位； 本发明能够解决技术人员知识和经 验水平参差不齐， 导致识别准确率较低、 不确定 性过高的问题， 同时解决了传统视觉学习方法存 在的准确率较低、 缺乏鲁棒性和自适应能力差的 缺点。 权利要求书2页 说明书6页 附图2页 CN 115063602 A 2022.09.16 CN 115063602 A 1.基于改进YOLOX ‑S网络的农作物病虫害识别方法， 其特 征在于： 包括如下步骤： S1、 采集农作物病虫害图像数据后对图像进行标注， 获得农作物病虫害类别及位置信 息的XML文件； S2、 将采集到的农作物病虫害图像数据划分为训练集、 验证集和测试集， 并对所述训练 集进行数据增强； S3、 改进激活函数和多尺度检测， 并增加轻量级注意力 模块， 完成改进后的YOLO ‑S网络 模型的搭建； S4、 设置模型训练参数并进行模型训练， 最终得到一个能够对图像中的农作物病虫害 进行识别与定位的最优网络； S5、 通过获得的最优网络对任意输入的图像中的农作物病虫害进行自动识别与定位， 输出病虫害类型和坐标。 2.根据权利要求1所述的基于改进YOLOX ‑S网络的农作物病虫害识别方法， 其特征在 于， 所述步骤S2中农作物病虫害图像数据的划分方法具体为： 将数据集按照 8:1:1的比例划 分为训练集﹑ 验证集和 测试集。 3.根据权利要求1所述的基于改进YOLOX ‑S网络的农作物病虫害识别方法， 其特征在 于， 所述步骤S2中的数据增强方式具体为： S21、 采用多种变换方式对采集到的图像进行变换， 将图像的灰度级放大到指定的程 度， 使图像能够显示更多的细节， 提高图像的对比度， 所述变换方式包括伽 马变换和对数变 换； S22、 对图像进行数据扩充， 所述数据扩充的方式包括翻转、 平移、 旋转、 缩放、 添加噪声 以及分离单个r、 g、 b三个颜色通道。 4.根据权利要求1所述的基于改进YOLOX ‑S网络的农作物病虫害识别方法， 其特征在 于， 所述步骤S 3中激活函数的改进 方式为： 将 YOLOX‑S网络的激活函数由SiLU改为采用了交 叉算子思想的EL iSH； 多尺度检测的改进方式为： 将预测端的Decoupled  head增加一个尺度， 由3个尺度增加 到4个尺度； 轻量级注意力模块的增 加方式为： 在CS PLayer上 添加轻量级注意力模块。 5.根据权利要求1所述的基于改进YOLOX ‑S网络的农作物病虫害识别方法， 其特征在 于， 所述步骤S5中对农作物病虫害进行自动识别与定位的预测效果通过精确率P、 召回率R 和均值平均精度mAP进行评价， 具体按照下式定义： 其中， TP表示正确检测的正样本， FP表示错误检测的负样本， FN表示错误检测的正样 本， n为样本类别数， i表示类别编号； 平均精度AP由P ‑R曲线与坐标轴围成的面积所 得， 具体按照下式定义：权　利　要　求　书 1/2 页 2 CN 115063602 A 26.根据权利要求2所述的基于改进YOLOX ‑S网络的农作物病虫害识别方法， 其特征在 于， 先将训练集输入至训练模型进行训练， 再将验证集输入至由训练模型输出得到的验证 模型， 由验证模型 的评估结果来判断训练模型是否符合预期要求； 若符合预期要求则保存 该训练模型作为最优模型， 并将测试集输入至最优模型进行预测得到类别标签和位置信 息； 若不符合预期要求则调整训练模型的参数， 再由验证模型的评估 结果进行判断， 形成反 馈迭代， 直至符合预期要求。 7.根据权利要求4所述的基于改进YOLOX ‑S网络的农作物病虫害识别方法， 其特征在 于， 所述激活函数的改进方式中， 所述SiLU为YOLO ‑S的原本激活函数， 为Sigmoi d函数的改 进版本， 所述Si LU函数可表示为： y(x)＝x/(1+e‑x) 其中， x为神经元的输出。 所述ELiSH激活函数采用交叉算子的思想， 用于改善信息流和 避免梯度的消失， 其正半部分与SiLU具有相同性质， 负半部分为Sigmoid与ELU函数(ex‑1) 的乘积， 所述EL iSH激活函数 可表示为： 其中， x为神经 元的输出。 8.根据权利要求4所述的基于改进YOLOX ‑S网络的农作物病虫害识别方法， 其特征在 于， 所述多尺度检测的改进方式中， 原本用于检测的所述Decoupled  head主要分为80 ×80 ×56、 40×40×512和20×20×1024这3个尺度， 增加的一个尺度大小 为10×10×2048， 通过 增加该尺度加大对深层次网络的利用， 以提高病虫害的识别效果。 9.根据权利要求4所述的基于改进YOLOX ‑S网络的农作物病虫害识别方法， 其特征在 于， 所述在CSPLayer上添加轻量级注 意力模块， 通过对残差边施加注 意力， 进而对每个通道 权重做调整， 以此来削弱残差操作带来的噪声对网络训练的影响。 10.根据权利要求1所述的基于改进YOLOX ‑S网络的农作物病虫害识别方法， 其特征在 于， 所述轻量级注意力模块的施加方式具体包括： a、 X1借助全局均值池化AvgPool操作压缩高维特征， 随后通过全连接层 FC以及δ激活函 数对特征做FX2压缩操作， 注意力权 重Fx1按照下式定义： Fx1＝ δ(FC(AvgPo ol(X1))) b、 通过全连接层FC以及σ 激活函数做扩展得到FX2， 并将最终抽取的注意力权重FX2施加 到X2上， 所述X2和FX2按照下式定义： Fx2＝σ(FC(FX1)) c、 Input在叠加的残差块上进行特征提取操作得到X3， 最后X2与X3通过拼接操作汇聚 在一起。权　利　要　求　书 2/2 页 3 CN 115063602 A 3