ティーツリーの成長中に、ティーツリーの病気はお茶の収量と品質に重要な影響を与えます。茶病の形状や規模は多様であり、病害の対象となるものは通常小規模ですが、茶病のインテリジェントな検出プロセスは、栽培地域の複雑な背景によって容易に妨害されます。さらに、いくつかの茶病は茶産地全体に集中しており、世界的な情報から推測する必要があります。一般的な物体検出モデルでは、これらの問題を解決するのは困難です。
したがって、改良された茶病検出モデルを提案します。中国の茅山茶工場で収集された茶病データセットを使用します。自己注意メカニズムは、グローバルな茶病情報を取得するモデルの能力を強化するために使用されます。BiFPN 特徴融合ネットワークと適応空間特徴融合 (ASFF) テクノロジーを使用して、茶病のマルチスケール特徴融合が改善され、複雑な背景干渉に耐えるモデルの能力が強化されました。対象となる小さな茶病の特定が難しいという問題を解決するために、シャッフル アテンション メカニズムを統合しました。さらに、データ拡張手法と転移学習を使用してデータセットを拡張し、他の植物病害データセットから学習したパラメーターを再調整して茶病害の検出を強化します。最後に、SIoU を使用すると回帰精度がさらに向上します。実験結果は、このモデルが茶の病気をインテリジェントに識別する際に遭遇する一連の問題をうまく解決できることを示しています。検出精度は主流のターゲット検出モデルを上回り、検出速度はリアルタイムレベルに達します。
中国は世界最大の茶の木の栽培面積を持つ国であり、世界最大のお茶の生産国でもあります。国際紅茶評議会の統計によると、2020年の世界の紅茶生産量は626万9000トンで、このうち中国の紅茶生産量は298万6000トンに達し、世界の紅茶総生産量の47.6％を占める。茶の植栽と生育の過程において、茶の病害（植物病害虫を含む）は収量と品質に影響を与える重要な要因であり、深刻な茶病が発生すると多大な経済的損失を引き起こします。例えば、安渓県は中国最大のウーロン茶生産地で、総面積60万ムーの茶園があり、茶病による年間の経済損失は6000万元にも上る。一般的な茶の病気には、主に茶赤萎凋病、紫背病、茶斑点病などがあります。上記の茶病は、茶の木に被害を与える最も一般的な病気でもあり、年に複数回繰り返し感染する可能性があります。それらは主に暖かく湿気の多い季節に発生します。茶の木が病気に感染すると、多くの場合、茶の早期落葉とつぼみの枯れが起こり、茶の木全体の衰退、さらには茶園全体の病気につながり、衰退現象が見られます。大多数の茶農家に多大な損失が生じています。ティーツリーが病気に罹患した場合は、初期段階で罹患枝を除去するか、殺虫剤を散布する必要があります。茶の病気を特定するための従来の通念は、人間の専門知識と検査 (野外観察や診断など) に大きく依存しています。しかし、茶病は種類が多く、広範囲で発生しており、手作業による検出方法は主観的で一貫性が低く、誤り率が高くなります。
機械学習の急速な発展に伴い、画像処理と機械学習は作物の病気の識別に広く使用されています。いくつかの研究では、茶病の識別に適応型ニューロファジィ推論システムとカラーウェーブレット特徴を使用しています。人工ニューラルネットワークを使用して茶病の識別精度を向上させます。ランダム フォレスト分類器が改善されました。属性評価方法とインスタンスフィルターを組み合わせたピーナッツ病の分類。イネ葉病画像処理システムは認識に Haar および AdaBoost 分類器を使用して設計され、認識精度は 83.33% でした。さらに、K 最近傍法とサポート ベクター マシン (SVM) を使用して、イネの葉の病気をそれぞれ 91% と 93% の精度で分類しました。一部の研究者は、ブドウの葉の病気を検出するために SVM 分類器を使用しました。K 平均法クラスタリングの後、特徴抽出と分類に SVM を使用し、85% の精度を達成しました。SVM と線形反復クラスタリングを組み合わせて、複雑な背景から茶病マップを抽出します。これは、茶病をさらに特定するのに役立ちます。ブドウの葉の病気をセグメント化して特定しました。特徴抽出中に、局所的なコントラストヘイズの低減および強調技術が採用され、画質が向上します。特徴融合の過程では、近傍成分分析法により冗長な特徴が除去されます。実験によると、ブドウの葉の病気の分割精度と分類精度はそれぞれ 90% と 92% です。しかし、従来の機械学習手法では疾患の特徴を抽出するために大量の画像が必要であり、特徴の抽出は自動学習ではなく手動の設計に依存しています。
私たちの研究は、一般的な物体検出モデルでは茶病のターゲットを効果的に特定することが難しいという問題を解決することに専念しています。茶の病気のインテリジェントな識別の過程で遭遇する一連の問題を解決するために,改良された茶の病気のインテリジェントな識別モデルが設計された。提案されたモデルは、さまざまなスケールでの茶病の特徴の融合を改善し、茶病領域により多くの注意を払い、小規模な対象となる茶病の検出結果が向上し、茶病を推測するためにグローバルな情報をより適切に使用できるようになります。検出過程においては、複雑な背景干渉に対する効果も高くなります。私たちは一連の技術を使用して茶病インテリジェント検出の精度を向上させ、検出速度はリアルタイムレベルに達しました。このモデルの大規模導入により、茶の木の病気をタイムリーかつ正確に検出し、従来の非効率な手動検出を置き換え、茶の生産効率と品質を制御および改善するための的を絞った対策を講じることができます。
フレームワークの簡単な紹介
-
データ拡張
オンラインとオフラインの両方の拡張方法を含め、データ拡張方法を混合して使用すると、データセットを拡張できるだけでなく、過剰適合を回避し、モデルの堅牢性を向上させることもできます。
左が入力画像、右がランダム消去
トレーニング サンプルの数は、オンライン拡張中のトレーニング セット内の画像の数と同じです。基本的な画像強調操作に加えて、モザイク データ強調手法を使用してトレーニング中にデータ サンプルを処理します。つまり、複数の画像がランダムに切り取られ、1 つの画像に結合されてトレーニング サンプルとして使用されます。ランダムな継ぎ合わせの過程で、同じ写真に異なる種類の茶病が発生する可能性があります。画像の背景が豊富になると、モデルのトレーニング効率が向上します。モザイク データ拡張の例を下の図に示します。
-
新しい検出フレームワーク
以下の図は、改良モデルのネットワーク構造を示しています。上記の方法に従って、元の YOLOv5 アルゴリズムに一連の改良を加えました。まず、Transformer モジュールを YOLOv5 のバックボーンに挿入します。Transformer の自己注意メカニズムは、モデルの全体的な受容野を強化し、より多くのコンテキスト情報を取得し、元の畳み込み層に補完的な利点をもたらし、茶病の全体的な特徴を捕捉するのに役立ちます。
-
損失関数の改善
YOLOv5 の本来の損失関数の欠点を分析し、最適化された損失関数を採用しました。改善されていない YOLOv5 では、CIoU 損失がバウンディング ボックスの損失関数として使用され、ロジッツ損失関数とバイナリ クロス エントロピーがそれぞれターゲット スコアとカテゴリ確率の損失を計算するために使用されます。
CIoU スキームを上の図に示します。CIoU Lossは、カバーエリア、アスペクト比、中心距離を総合的に考慮し、その相対位置を適切に測定でき、予測フレームの水平方向と垂直方向の最適化の問題を解決しますが、この方法はターゲットフレームとターゲットフレーム間の距離を考慮していません。方向一致により収束が遅くなります。したがって、SIoU 損失を採用します。以下の図に示すように、SIoU は最適化のためにターゲット ボックスと予測ボックスの間にベクトル角度を導入します。
-
転移学習
トレーニングのパフォーマンスを確保するには、トレーニングに大量のサンプルが必要です。データサンプルの数が限られているため、最初から直接トレーニングして良好な検出結果を得るのは困難です。移行学習は、既知のドメインの知識をターゲット ドメインに適用するテクノロジーであり、学習済みのネットワーク モデルを大規模なデータ セットから新しいデータ セットに転送し、新しいデータ セットでネットワーク モデルのパラメーターと重みを実現できます。再利用。
大規模な茶病画像サンプルが不足しており、茶病の特徴が他の植物病害と似ているため、モデルのパフォーマンスを向上させるために転移学習手法が導入されました。Plant Village は、植物の葉の病気に関する非常に大規模なデータセットであり、14 種の植物を含む 54,306 枚の植物の葉の画像で構成され、種と病気に応じて 38 のカテゴリに分類されています。事前トレーニングには、Plant Village データセットとインターネットから収集したその他の植物病データセットを使用します。ワオソフト アイオット http://143ai.com
実験
さまざまなアルゴリズムでテストした結果、実際のアプリケーションでの効果は次のとおりです。
yolov5の効果
新型の効果
yolov5の効果
新型の効果
実際のアプリケーションのスクリーンショット:
