Durante el crecimiento de los árboles de té, las enfermedades del árbol de té tienen un impacto importante en el rendimiento y la calidad del té. La forma y la escala de las enfermedades del té varían, y los objetivos de la enfermedad suelen ser pequeños. El proceso de detección inteligente de las enfermedades del té también se ve fácilmente perturbado por el complejo entorno del área de cultivo. Además, algunas enfermedades del té se concentran en toda la región del té y deben deducirse de la información global. Los modelos comunes de detección de objetos son difíciles de resolver estos problemas.
Por lo tanto, proponemos un modelo mejorado de detección de enfermedades del té. Utilizamos un conjunto de datos de enfermedades del té recopilado en una fábrica de té de Maoshan en China. El mecanismo de autoatención se utiliza para mejorar la capacidad del modelo para obtener información global sobre enfermedades del té. Mediante el uso de la red de fusión de características BiFPN y la tecnología de fusión de características espaciales adaptativas (ASFF), se mejoró la fusión de características multiescala de la enfermedad del té y se mejoró la capacidad del modelo para resistir interferencias de fondo complejas. Integramos el mecanismo Shuffle Attention para resolver el problema de que la enfermedad del té de objetivos pequeños es difícil de identificar. Además, utilizamos métodos de aumento de datos y transferencia de aprendizaje para ampliar el conjunto de datos y reorientar los parámetros aprendidos de otros conjuntos de datos de enfermedades de las plantas para mejorar la detección de enfermedades del té. Finalmente, el uso de SIoU mejora aún más la precisión de la regresión. Los resultados experimentales muestran que el modelo puede resolver una serie de problemas encontrados en la identificación inteligente de enfermedades del té. La precisión de detección está por delante del modelo de detección de objetivos convencional y la velocidad de detección alcanza el nivel en tiempo real.
China es el país con la mayor superficie de plantación de árboles de té del mundo y también es el mayor productor de té del mundo. Según las estadísticas del Consejo Internacional del Té, la producción mundial de té en 2020 será de 6,269 millones de toneladas, de las cuales la producción de té de China alcanzará los 2,986 millones de toneladas, lo que representa el 47,6 % de la producción mundial total de té. En el proceso de plantación y crecimiento del té, las enfermedades del té (incluidas las enfermedades de las plantas y las plagas de insectos) son factores importantes que afectan el rendimiento y la calidad, y las enfermedades graves del té causarán enormes pérdidas económicas. Por ejemplo, el condado de Anxi es el área productora de té oolong más grande de China, con un área total de 600 000 mu de jardines de té, y la pérdida económica anual debido a la enfermedad del té es de hasta 60 millones de yuanes. Las enfermedades comunes del té incluyen principalmente el marchitamiento por fusarium del té, la enfermedad de la espalda morada y la enfermedad de las manchas de algas del té. La enfermedad del té mencionada anteriormente es también la enfermedad más común que daña los árboles de té, que pueden infectar repetidamente los árboles de té más de una vez al año. Ocurren principalmente en estaciones cálidas y húmedas. Después de que el árbol del té se infecta con la enfermedad, a menudo se acompaña de la caída temprana del té y el marchitamiento de los brotes, lo que conduce a la disminución de todo el árbol del té e incluso a la enfermedad general del jardín de té, que muestra un fenómeno de declive, lo que trae enormes pérdidas para la mayoría de los cultivadores de té. Cuando el árbol del té está infectado con la enfermedad, es necesario eliminar las ramas enfermas o rociar insecticidas en la etapa temprana de la enfermedad. La sabiduría convencional sobre la identificación de las enfermedades del té depende en gran medida de la experiencia y la inspección humanas (por ejemplo, la observación y el diagnóstico de campo). Sin embargo, hay muchos tipos de enfermedades del té, que ocurren en un área amplia, y los métodos de detección manual son altamente subjetivos, de poca consistencia y con una alta tasa de error.
Con el rápido desarrollo del aprendizaje automático, el procesamiento de imágenes y el aprendizaje automático se han utilizado ampliamente en la identificación de enfermedades de cultivos. Algunos estudios han utilizado un sistema de inferencia neurodifuso adaptativo y características de ondas de color para la identificación de enfermedades del té. Uso de una red neuronal artificial para mejorar la precisión de identificación de la enfermedad del té. Se realizaron mejoras en el clasificador de bosque aleatorio. Clasificación de las enfermedades del maní mediante la combinación de métodos de evaluación de atributos y filtros de instancias. Se diseñó un sistema de procesamiento de imágenes de enfermedades de la hoja de arroz utilizando clasificadores Haar y AdaBoost para el reconocimiento, y la precisión del reconocimiento fue del 83,33 %. Además, también utilizaron K-vecinos más cercanos y máquinas de vectores de soporte (SVM) para clasificar las enfermedades de la hoja de arroz con una precisión del 91 % y el 93 %, respectivamente. Algunos investigadores utilizaron el clasificador SVM para detectar enfermedades de la hoja de uva. Después de la agrupación en clústeres de k-means, utilizaron SVM para la extracción y clasificación de características y lograron una precisión del 85 %. Hay una combinación de SVM y agrupación iterativa lineal para extraer mapas de enfermedades del té de fondos complejos, lo que es útil para una mayor identificación de las enfermedades del té. Se segmentaron e identificaron enfermedades de la hoja de la uva. Durante la extracción de características, se emplean técnicas de mejora y reducción de la neblina de contraste local para mejorar la calidad de la imagen. En el proceso de fusión de características, las características redundantes se eliminan mediante el método de análisis de componentes de vecindad. Según los experimentos, la precisión de segmentación y clasificación de las enfermedades de la hoja de la vid es del 90 % y el 92 %, respectivamente. Sin embargo, los métodos tradicionales de aprendizaje automático requieren una gran cantidad de imágenes para la extracción de características de la enfermedad, y la extracción de características se basa en el diseño manual en lugar del aprendizaje automático.
Nuestra investigación está dedicada a resolver el problema de que los modelos generales de detección de objetos son difíciles de identificar de manera efectiva los objetivos de la enfermedad del té. Para resolver una serie de problemas encontrados en el proceso de identificación inteligente de enfermedades del té, se diseñó un modelo mejorado de identificación inteligente de enfermedades del té. El modelo propuesto mejora la fusión de las características de la enfermedad del té a diferentes escalas, presta más atención a las áreas de la enfermedad del té, tiene mejores resultados de detección para enfermedades del té objetivo pequeñas y puede utilizar mejor la información global para inferir enfermedades del té. En el proceso de detección, el efecto de resistir la interferencia de fondo compleja también es mayor. Hemos utilizado una serie de tecnologías para mejorar la precisión de la detección inteligente de enfermedades del té y la velocidad de detección ha alcanzado el nivel en tiempo real. El despliegue a gran escala del modelo puede detectar de manera oportuna y precisa las enfermedades del árbol del té, reemplazar la detección manual ineficiente tradicional y tomar medidas específicas para controlar y mejorar la eficiencia de la producción y la calidad del té.
Una breve introducción al marco
-
aumento de datos
El uso combinado de métodos de aumento de datos no solo puede expandir el conjunto de datos, sino también evitar el sobreajuste y mejorar la solidez del modelo, incluidos los métodos de aumento tanto en línea como fuera de línea. 
A la izquierda está la imagen de entrada, a la derecha está el borrado aleatorio
El número de muestras de entrenamiento es el mismo que el número de imágenes en el conjunto de entrenamiento durante el aumento en línea. Además de las operaciones básicas de mejora de imágenes, se utiliza un método de mejora de datos de mosaico para procesar muestras de datos durante el entrenamiento; es decir, varias imágenes se cortan aleatoriamente y se unen en una sola imagen para usar como muestra de entrenamiento. En el proceso de empalme aleatorio, la misma imagen puede tener diferentes tipos de enfermedades del té. Los fondos de imagen más ricos pueden conducir a una mayor eficiencia de entrenamiento del modelo. En la siguiente figura se muestra un ejemplo de aumento de datos de mosaico.
-
nuevo marco de detección
La siguiente figura muestra la estructura de red de nuestro modelo mejorado. De acuerdo con el método anterior, realizamos una serie de mejoras en el algoritmo YOLOv5 original. Primero, inserte el módulo Transformador en la columna vertebral de YOLOv5. El mecanismo de autoatención de Transformer puede mejorar el campo receptivo global del modelo, obtener más información contextual y brindar ventajas complementarias a la capa convolucional original, que es más propicia para capturar las características globales de la enfermedad del té.
-
Función de pérdida mejorada
Analizamos las deficiencias de la función de pérdida original de YOLOv5 y adoptamos una función de pérdida optimizada. Para el YOLOv5 no mejorado, la pérdida de CIoU se usa como la función de pérdida del cuadro delimitador, y la función de pérdida de Logits y la entropía cruzada binaria se usan para calcular la pérdida de la puntuación objetivo y la probabilidad de categoría, respectivamente.
El esquema CIoU se muestra en la figura anterior. CIoU Loss considera integralmente el área de cobertura, la relación de aspecto y la distancia central, puede medir bien su posición relativa y resuelve el problema de optimizar las direcciones horizontal y vertical del marco de predicción, pero este método no considera la distancia entre el marco de destino y el marco de predicción La coincidencia de dirección conduce a una convergencia lenta. Por lo tanto, adoptamos la pérdida SIoU. Como se muestra en la figura a continuación, SIoU introduce el ángulo del vector entre el cuadro objetivo y el cuadro de predicción para la optimización.
-
transferir el aprendizaje
El entrenamiento requiere una gran cantidad de muestras para garantizar el rendimiento del entrenamiento. Debido al número limitado de muestras de datos, es difícil obtener buenos resultados de detección entrenando directamente desde cero. El aprendizaje de migración es una tecnología que aplica el conocimiento del dominio conocido al dominio de destino. Puede transferir el modelo de red entrenado de un gran conjunto de datos a un nuevo conjunto de datos y realizar los parámetros y pesos del modelo de red en el nuevo conjunto de datos. reutilizar.
Debido a la falta de muestras de imágenes de la enfermedad del té a gran escala y a que las características de la enfermedad del té son similares a las de otras enfermedades de las plantas, se introduce un método de aprendizaje por transferencia para mejorar el rendimiento del modelo. Plant Village es un conjunto de datos muy grande de enfermedades de las hojas de las plantas, que consta de 54 306 imágenes de hojas de plantas, incluidas 14 especies de plantas, divididas en 38 categorías según especies y enfermedades. Utilizamos el conjunto de datos de Plant Village y otros conjuntos de datos de enfermedades de las plantas recopilados de Internet para la capacitación previa. ¿Qué software es? http://143ai.com
experimento
Probado con diferentes algoritmos, y el efecto en la aplicación práctica es el siguiente. 
El efecto de yolov5
El efecto del nuevo modelo.
El efecto de yolov5
El efecto del nuevo modelo.
Captura de pantalla de la aplicación real:
