申请/专利权人：江苏省农业科学院;南京苏农信数据科技有限公司

申请日：2024-03-12

公开（公告）日：2024-07-05

公开（公告）号：CN118297877A

主分类号：G06T7/00

分类号：G06T7/00;G06V10/774;G06V10/82;G06V10/44;G06V20/40

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种作物识别与叶病检测方法及系统，方法包括以下步骤：S1、采集温室作物果实和叶片图像构成初始数据集，对初始数据集进行标注、数据增强、裁剪预处理，以将处理后的数据集划分为训练集、验证集和测试集，并收集作物的视频流数据；S2、构建基于改进YOLOv8的作物识别和叶片健康状况检测模型YOLO‑TGI；其中，YOLO‑TGI模型包括Backbone层和Head层，改进YOLOv8网络是将YOLOv8模型中的Backbone层的C2f模块替换为GhostConv模块，并在Head层引入CBAM作为注意力机制模块；S3、训练并评估不同尺度的YOLOX、Nanodet和YOLO‑TGI检测模型；S4、训练后的检测模型与跟踪器级联，跟踪视频流中的作物果实区域；S5、评估不同检测器‑跟踪器组合对作物果实视频流的推理结果。

主权项：1.一种作物识别与叶病检测方法，其特征在于，包括以下步骤：S1、采集温室作物果实和叶片图像构成初始数据集，对所述初始数据集进行标注、数据增强、裁剪预处理，以将处理后的数据集划分为训练集、验证集和测试集，并收集所述作物的视频流数据；S2、构建基于改进YOLOv8的作物识别和叶片健康状况检测模型YOLO-TGI；其中，YOLO-TGI模型包括Backbone层和Head层，改进YOLOv8网络是将所述YOLOv8模型中的所述Backbone层的C2f模块替换为GhostConv模块，并在所述Head层引入CBAM作为注意力机制模块；S3、训练并评估不同尺度的YOLOX、Nanodet和YOLO-TGI检测模型；S4、训练后的检测模型与跟踪器级联，跟踪视频流中的作物果实区域；S5、评估不同检测器-跟踪器组合对作物果实视频流的推理结果。

全文数据：

权利要求：

百度查询： 江苏省农业科学院 南京苏农信数据科技有限公司 作物识别与叶病检测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD