(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 202210663984.6 (22)申请日 2022.06.13 (71)申请人 南京林业大 学 地址 210037 江苏省南京市玄武区龙蟠路 159号 (72)发明人 邹红艳　朱瑞林　李振业　倪瑞涛　 (74)专利代理 机构 南京智转慧移知识产权代理 有限公司 32649 专利代理师 田沛沛 (51)Int.Cl. G06V 20/68(2022.01) G06V 10/30(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G01N 21/84(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进Yolov5s模型的苹果叶片病害检测 方法 (57)摘要 本发明公开一种基于改进Yolov5s模型的苹 果叶片病害检测方法， 首先， 获取苹果叶片不同 病害的图像， 进行标签标注， 构建初始数据集； 采 用图像处理方法扩充数据集， 并划分训练集和测 试集， 得到最终的数据集； 引入yolov5s网络模型 并加以改进， 使用改进后的模型对 数据集进行训 练得到最终的苹果叶片病害检测模 型； 利用最终 的苹果叶片病害检测模型对待检测图像进行检 测， 得到检测结果。 本发明通过改进yolov5s网络 模型和引入Attentive  GAN算法， 不仅在网络训 练模型时增强网络学习特征的表达能力， 提高模 型的准确率和精度， 而且能够在雨天情况下实现 对苹果叶片病害的准确识别。 权利要求书2页 说明书5页 附图5页 CN 115273072 A 2022.11.01 CN 115273072 A 1.一种基于改进Yo lov5s模型的苹果叶片病害检测方法， 其特 征在于： 包括以下步骤： S1： 获取苹果叶片不同病害的图像， 进行 标签标注， 构建初始数据集； S2： 采用图像处 理方法扩充数据集， 并划分训练集和 测试集， 得到最终的数据集； S3： 引入yolov5s网络模型并加以改进， 使用改进后的模型对数据集进行训练得到最终 的苹果叶片病害检测模型； S4： 利用最终的苹果叶片病害检测模型对待检测图像进行检测， 得到检测结果。 2.根据权利要求1所述的基于改进Yolov5s模型的苹果叶片病害检测方法， 其特征在 于： 步骤S1中， 苹果叶片的常见病害包括链格孢菌病、 褐斑病、 灰斑病、 花叶病和锈病， 对不 同病害图像进行 标签标注。 3.根据权利要求1所述的基于改进Yolov5s模型的苹果叶片病害检测方法， 其特征在 于： 步骤S2中， 对图像进行仿射变换、 过滤、 平移、 旋转方法处理， 将数据集扩充， 来增加数据 集的丰富 性， 防止模型 过拟合。 4.根据权利要求1所述的基于改进Yolov5s模型的苹果叶片病害检测方法， 其特征在 于： 步骤S3中， 在yolov5s网络模型的Neck结构的特征金字塔基础上， 添加FEM， 同时在 yolov5s网络模 型的Backnone结构中的CSP结构后添加CA注意力机制模块， 实现增强网络学 习特征的表达能力， 提高网络训练模型的平均精度均值。 5.根据权利要求4所述的基于改进Yolov5s模型的苹果叶片病害检测方法， 其特征在 于： FEM包括两个部分， 分别为多分支卷积层和平均池化层， 所述多分支卷积层包括扩张卷 积层、 BN层以及激活层， 通过扩张卷积的方法给输入特征图提供不同的感受野； 所述平均池 化层融合每 个支路感受野的交通信息， 提高多尺度精度检测。 6.根据权利要求5所述的基于改进Yolov5s模型的苹果叶片病害检测方法， 其特征在 于： CA注意力机制模块的实现过程 为： 为了获取图像宽度和高度上的注意力并对精确位置信 息进行编码， 先对输入特征图的 宽度和高度两个方向进行全局平均池化， 得到两个方向的特征图； 接着将获得全局感受野 的宽度和高度两个方向的特征图拼接在一起， 然后 将其送入共享的卷积核为 1×1的卷积模 块， 将维度降为原 来的C/r， 之后将经过批归一化处理后的特征图f送入Sigmoid激活函数得 到特征图F； 接着将特征图F按照原 来的高度和宽度进 行卷积核为 1×1的卷积分别得到通道 数和原来一样的fh和fw经过Sigmoid激活函数分别得到特征图在高度和宽度 上的注意力 权 重； 最后在原始特征图上通过乘法加计算， 最终得到在宽度和高度方向上带有注意力权重 的特征图。 7.根据权利要求1所述的基于改进Yolov5s模型的苹果叶片病害检测方法， 其特征在 于： 步骤s5中， 对待检测图像进 行预处理， 判断图像是否为晴天或雨 天拍摄， 若为雨 天拍摄， 则对图像进 行雨点降噪处理； 若为晴天拍摄， 则直接使用网络模型进 行检测， 得到最 终的检 测结果。 8.根据权利要求1所述的基于改进Yolov5s模型的苹果叶片病害检测方法， 其特征在 于： 判断图像是否为晴天拍摄的过程如下： S51： 根据晴天和雨天时叶片表面纹理有所差异， 通过提取纹理特征并进行特征匹配的 方法来判断图像是否为晴天拍摄； S52： 输入待检测图像， 对检测图像进行灰度和二值化处理， 然后提取叶片表面特征点，权　利　要　求　书 1/2 页 2 CN 115273072 A 2并将提取的关键点向量 化， 把提取的局部特 征作为观测图； S53： 对模版图和观测图进行相似度量。 9.根据权利要求8所述的基于改进Yolov5s模型的苹果叶片病害检测方法， 其特征在 于： 设置阈值threshold， 当相似度量值满足d(Mij， Rij)＜threshold时， 可以判断为待检测 图像为晴天拍摄， 直接使用检测模型进 行病害检测； 如果不满足判断条件， 则拍摄图像为雨 天拍摄， 采用A ttentive GAN算法对图像进行降噪处 理。权　利　要　求　书 2/2 页 3 CN 115273072 A 3