首页 > 分享 > 植物害虫检测方法、装置及设备与流程

植物害虫检测方法、装置及设备与流程

花匠小妙招
2025-10-10 14:02

本申请涉及植物害虫检测，特别是涉及一种植物害虫检测方法、装置及设备。

背景技术：

1、植物害虫不仅会对植物的生长发育和产量造成严重影响，对农业生产的稳定构成威胁。

2、植物害虫检测作为保护植物的重要手段，通过对农作物中的植物害虫的检测，以对害虫采取针对性的防治措施。

3、不同生长阶段的植物害虫会有不同的防治措施，但目前的植物害虫检测无法有效检测到植物害虫所处的生长阶段，从而无法有效的提供针对性的防治措施。

技术实现思路

1、本申请的目的是提供一种植物害虫检测方法、装置及设备，可提升防治措施的有效性。

2、为实现上述目的，本申请提供了如下方案：

3、第一方面，本申请提供了一种植物害虫检测方法，所述植物害虫检测方法包括：

4、接收待检测图像；

5、将所述待检测图像输入至植物害虫检测模型中，以获取所述待检测图像中的每一个目标植物害虫的位置以及所述待检测图像中的每一个所述目标植物害虫的生长阶段，其中，所述植物害虫检测模型是通过对yolov5模型进行训练得到的，所述yolov5模型中包括第一高效多尺度注意力机制模块；

6、根据所述待检测图像中的每一个目标植物害虫的位置，获取所述待检测图像中的目标植物害虫的数量；

7、根据所述待检测图像中的每一个所述目标植物害虫的生长阶段，获取所述待检测图像中属于同一生长阶段的所述目标植物害虫的数量；

8、输出所述待检测图像中的目标植物害虫的数量以及属于同一生长阶段的所述目标植物害虫的数量。

9、第二方面，本申请提供了一种植物害虫检测装置，所述植物害虫检测装置包括：

10、接收模块，用于接收待检测图像；

11、第一获取模块，用于将所述待检测图像输入至植物害虫检测模型中，以获取所述待检测图像中的每一个目标植物害虫的位置以及所述待检测图像中的每一个所述目标植物害虫的生长阶段，其中，所述植物害虫检测模型是通过对yolov5模型进行训练得到的，所述yolov5模型中包括第一高效多尺度注意力机制模块；

12、第二获取模块，用于根据所述待检测图像中的每一个目标植物害虫的位置，获取所述待检测图像中的目标植物害虫的数量；

13、第三获取模块，用于根据所述待检测图像中的每一个所述目标植物害虫的生长阶段，获取所述待检测图像中属于同一生长阶段的所述目标植物害虫的数量；

14、输出模块，用于输出所述待检测图像中的目标植物害虫的数量以及属于同一生长阶段的所述目标植物害虫的数量。

15、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的植物害虫检测方法的步骤。

16、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的植物害虫检测方法的步骤。

17、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的植物害虫检测方法的步骤。

18、根据本申请提供的具体实施例，本申请公开了以下技术效果：

19、本申请提供了一种植物害虫检测方法、装置及设备，植物害虫检测方法包括：接收待检测图像；将待检测图像输入至植物害虫检测模型中，以获取待检测图像中的每一个目标植物害虫的位置以及待检测图像中的每一个目标植物害虫的生长阶段，其中，植物害虫检测模型是通过对yolov5模型进行训练得到的，yolov5模型中包括第一高效多尺度注意力机制模块；根据待检测图像中的每一个目标植物害虫的位置，获取待检测图像中的目标植物害虫的数量；根据待检测图像中的每一个目标植物害虫的生长阶段，获取待检测图像中属于同一生长阶段的目标植物害虫的数量；输出待检测图像中的目标植物害虫的数量以及属于同一生长阶段的目标植物害虫的数量。本公开在yolov5模型的骨干网络中增加了高效多尺度注意力机制模块，进一步增强了yolov5模型对小目标的检测能力，使得yolov5模型不仅可以识别出体积大的植物害虫，还可以很好的识别出体积较小的植物害虫，这样就可以识别出各种不同生长阶段的目标植物害虫，从而提升了目标植物害虫识别的准确性，进而提升了植物害虫防治的可靠性。

技术特征：

1.一种植物害虫检测方法，其特征在于，所述植物害虫检测方法包括：

2.根据权利要求1所述的植物害虫检测方法，其特征在于，所述yolov5模型中还包括注意力特征融合模块，所述注意力特征融合模块由迭代注意力特征融合网络和第二高效多尺度注意力机制模块组成。

3.根据权利要求2所述的植物害虫检测方法，其特征在于，所述植物害虫检测方法还包括：

4.根据权利要求3所述的植物害虫检测方法，其特征在于，所述根据所述训练数据集对所述yolov5模型进行训练，得到训练后的所述yolov5模型，包括：

5.根据权利要求4所述的植物害虫检测方法，其特征在于，所述将所述训练数据集输入所述yolov5模型的骨干网络中，获取所述骨干网络的特征输出，包括：

6.根据权利要求5所述的植物害虫检测方法，其特征在于，所述将所述第一分辨率的特征层输入骨干网络特征提取模块，得到预设分辨率的特征层，包括：

7.根据权利要求6所述的植物害虫检测方法，其特征在于，所述将所述骨干网络的特征输出输入至路径聚合网络中，获取所述路径聚合网络的特征输出，包括：

8.根据权利要求7所述的植物害虫检测方法，其特征在于，所述将所述第二融合特征通过聚合网络特征提取模块，获取所述路径聚合网络的特征输出，包括：

9.一种植物害虫检测装置，其特征在于，所述植物害虫检测装置包括：

10.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-8中任一项所述的植物害虫检测方法的步骤。

技术总结
本申请公开了一种植物害虫检测方法、装置及设备，涉及植物害虫检测技术领域，该方法包括接收待检测图像；将待检测图像输入至植物害虫检测模型中，以获取待检测图像中的每一个目标植物害虫的位置以及待检测图像中的每一个目标植物害虫的生长阶段，其中，植物害虫检测模型包括第一高效多尺度注意力机制模块；根据待检测图像中的每一个目标植物害虫的位置，获取待检测图像中的目标植物害虫的数量；根据待检测图像中的每一个目标植物害虫的生长阶段，获取待检测图像中属于同一生长阶段的目标植物害虫的数量；输出待检测图像中的目标植物害虫的数量以及属于同一生长阶段的目标植物害虫的数量。本申请可提升防治措施的有效性。

技术研发人员：陈庭倬,章杰,易文龙,廖北辰,孙玉碧,殷华,唐青青,唐晓丽,黄广平,杜波,任丹,何其明
受保护的技术使用者：成都新朝阳作物科学股份有限公司
技术研发日：
技术公布日：2025/3/18