首页 > 分享 > 水稻虫害检测方法、装置、设备及介质

水稻虫害检测方法、装置、设备及介质

花匠小妙招
2025-10-10 14:03

本技术涉及农业生产领域，尤其涉及一种水稻虫害检测方法、相应的装置、电子设备及计算机可读存储介质。

背景技术：

1、水稻虫害是影响全球水稻产量和质量的重要因素，常见虫害包括稻飞虱、稻纵卷叶螟、稻螟虫。这些虫害会吸食水稻汁液、取食叶片和茎秆，导致植株萎蔫、折断、产量下降和品质下降，给农民造成显著的经济损失。

2、yolov8是yolo(you only look once)系列模型的最新版本，是一种用于目标检测的深度学习模型。yolo模型以其高效的实时检测能力而闻名，自首次提出以来不断演进，结合了前几代模型的优点，并在多个方面进行了优化。yolov8在网络架构、损失函数和训练策略上进行了进一步改进，增强了检测精度和速度。yolov8还提供了具有不同大小和复杂度的版本，以“n、s、m、l、x”的后缀表示。“n”版本的特点是模型参数量小，处理速度快，但是准确度欠佳；“x”版本的特点是模型参数量大和复杂度高，能够提供更高的准确性，但是处理速度慢，需要更多的计算资源。相比于前代v1至v7版本，yolov8采用了更轻量化的网络结构和先进的数据增强技术，能够更好地处理不同尺度的目标和复杂的背景环境。yolov8在各类目标检测任务中表现出色，广泛应用于自动驾驶、安防监控、无人机监测等领域。

3、由于水稻虫害对水稻威胁非常大，且水稻虫害爆发具有时效性，所以准确且及时的检测是预防虫害的关键。使用yolov8对水稻虫害进行检测是一个很好的解决办法，但由于水稻虫害检测目标较小，检测背景较为复杂，使用原有的低参数yolov8模型检测效果较差，而使用高参数检测却会造成模型较大的问题，不方便模型的部署。

4、综上所述，适应现有技术中由于水稻虫害检测目标较小，检测背景较为复杂，使用原有的低参数yolov8模型检测效果较差，而使用高参数检测却会造成模型较大等问题，本技术人出于解决该问题的考虑作出相应的探索。

技术实现思路

1、本技术的目的在于解决上述问题而提供一种水稻虫害检测方法、相应的装置、电子设备及计算机可读存储介质。

2、为满足本技术的各个目的，本技术采用如下技术方案：

3、适应本技术的目的之一而提出的一种水稻虫害检测方法，包括：

4、响应对稻田进行水稻虫害检测的指令，获取无人机的机载相机中包含有水稻虫害的待检测水稻图像；

5、将原始yolov8n网络模型的主干网络中的csplayer_2conv卷积更新为感受野注意力卷积，在所述原始yolov8n网络模型的颈部网络中添加混合局部通道注意力机制，将原始的检测头模块更新为dyhead检测头，并添加了一个小目标检测头模块，以构建水稻虫害检测模型；

6、将所述待检测水稻图像输入至已训练至收敛状态的水稻虫害检测模型中，以确定所述待检测水稻图像中的水稻虫害的目标检测框以及其相对应的水稻虫害类别，其中，所述目标检测框用于指示水稻虫害相对应的位置；

7、响应水稻虫害防治指令，无人机将所述水稻虫害类别相对应的杀虫剂喷洒至所述水稻虫害相对应的位置，以完成稻田水稻虫害的检测。

8、可选的，将所述待检测水稻图像输入至已训练至收敛状态的水稻虫害检测模型中，以确定所述待检测水稻图像中的水稻虫害的目标检测框以及其相对应的水稻虫害类别的步骤，包括：

9、所述感受野注意力卷积根据卷积核的大小动态生成特征，每个卷积核有一个对应的感受野，以覆盖输入特征图的特定区域；

10、采用group conv方法从所述感受野中提取特征，以确定感受野特征；

11、对每个感受野特征应用平均池化，以聚合全局信息；

12、在平均池化后，通过1x1的组卷积操作以进一步处理感受野特征；

13、对1x1组卷积的输出进行softmax处理，以生成每个感受野内特征的重要性权重。

14、可选的，将所述待检测水稻图像输入至已训练至收敛状态的水稻虫害检测模型中，以确定所述待检测水稻图像中的水稻虫害的目标检测框以及其相对应的水稻虫害类别的步骤，包括：

15、在所述混合局部通道注意力机制中，采用局部平均池化和全局平均池化对输入特征图进行处理，以确定局部池化后的特征和全局池化后的特征，其中，所述局部平均池化用于关注局部区域的特征，所述全局平均池化用于捕捉整个特征图的统计信息；

16、局部池化后的特征和全局池化后的特征都经过一个1d卷积进行特征转换，

17、对局部池化后的特征，使用1d卷积后进行重新排列，通过乘法操作与原始输入特征相结合，以增强对有用特征的关注；

18、对全局池化后的特征，经过1d卷积和重新排列后，通过加法操作与局部池化特征相结合，以在特征图中融合了全局上下文信息；

19、经过局部和全局注意力处理的特征图再次通过反池化操作，恢复到原始的空间维度。

20、可选的，所述dyhead检测头包括尺度感知注意力模块、空间感知注意力模块和任务感知注意力模块。

21、可选的，将所述待检测水稻图像输入至已训练至收敛状态的水稻虫害检测模型中，以确定所述待检测水稻图像中的水稻虫害的目标检测框以及其相对应的水稻虫害类别的步骤，包括：

22、在所述dyhead检测头的尺度感知注意力模块中，通过平均池化对特征张量f进行处理，以提取全局特征；

23、采用1x1卷积以减少特征通道的数量，并通过relu激活函数和hard sigmoid函数进行非线性变换，以捕捉不同大小的水稻虫害；

24、在所述空间感知注意力模块中，通过偏移量学习和3x3卷积对特征进行处理以进行空间特征聚焦，以在复杂背景中定位水稻虫害；

25、通过全连接层对特征进行处理，结合relu激活函数和归一化操作，根据水稻虫害检测任务调整特征图的各个通道的权重，以识别水稻虫害的类别及位置。

26、可选的，无人机将所述水稻虫害类别相对应的杀虫剂喷洒至所述水稻虫害相对应的位置，以完成稻田水稻虫害的检测的步骤，包括：

27、调用已训练至收敛状态的水稻虫害检测模型，基于所述水稻虫害检测模型对所述待检测水稻图像进行目标检测，以确定不同水稻虫害类别相对应的数量；

28、根据所述水稻虫害类别相对应的数量确定所述水稻虫害类别相对应的杀虫剂的剂量，将所述水稻虫害类别相对应的杀虫剂喷洒至所述水稻虫害相对应的位置，以完成稻田水稻虫害的检测。

29、可选的，所述水稻虫害检测模型基础网络架构为改进的yolov8n网络模型，所述水稻虫害类别包括稻纵卷叶螟、二化螟、灰飞虱、稻螟蛉、大螟或稻绿蝽的一项或任意多项。

30、适应本技术的另一目的而提供的一种水稻虫害检测装置，包括：

31、水稻图像获取模块，设置为响应对稻田进行水稻虫害检测的指令，获取无人机的机载相机中包含有水稻虫害的待检测水稻图像；

32、检测模型构建模块，设置为将原始yolov8n网络模型的主干网络中的csplayer_2conv卷积更新为感受野注意力卷积，在所述原始yolov8n网络模型的颈部网络中添加混合局部通道注意力机制，将原始的检测头模块更新为dyhead检测头，并添加了一个小目标检测头模块，以构建水稻虫害检测模型；

33、水稻虫害检测模块，设置为将所述待检测水稻图像输入至已训练至收敛状态的水稻虫害检测模型中，以确定所述待检测水稻图像中的水稻虫害的目标检测框以及其相对应的水稻虫害类别，其中，所述目标检测框用于指示水稻虫害相对应的位置；

34、水稻虫害防治模块，设置为响应水稻虫害防治指令，无人机将所述水稻虫害类别相对应的杀虫剂喷洒至所述水稻虫害相对应的位置，以完成稻田水稻虫害的检测。

35、适应本技术的另一目的而提供的一种电子设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本技术所述水稻虫害检测方法的步骤。

36、适应本技术的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述水稻虫害检测方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行相应的方法所包括的步骤。

37、相对于现有技术，本技术针对现有技术中由于水稻虫害检测目标较小，检测背景较为复杂，使用原有的低参数yolov8模型检测效果较差，而使用高参数检测却会造成模型较大等问题，本技术包括但不限于如下有益效果：

38、其一，本技术将原始yolov8n网络模型的主干网络中的csplayer_2conv卷积更新为感受野注意力卷积，在所述原始yolov8n网络模型的颈部网络中添加混合局部通道注意力机制，将原始的检测头模块更新为dyhead检测头，并添加了一个小目标检测头模块，以构建水稻虫害检测模型，待检测的水稻图像在感受野注意力卷积中被动态地分析和增强，使得模型在复杂背景下对水稻虫害的检测能力得以提高，这种改进使得模型不仅能够识别虫害，还能更精确地定位它们；

39、其二，本技术的水稻虫害检测模型中的混合局部通道注意力机制使得模型能够在局部细节和全局上下文之间进行更好的平衡，从而提升了水稻虫害检测的整体精度，特别是在小目标的检测任务中，能够显著提高检测的准确性和可靠性。混合局部通道注意力机制在水稻虫害检测模型中发挥了关键作用，使得模型在复杂背景下的虫害识别变得更加有效；

40、其三，将待检测水稻图像输入到dyhead检测头后，模型能够更全面地理解和捕捉图像中的细节信息。这些模块结合局部和全局信息，有效提升了检测精度，特别是在面对小目标时，确保了虫害的准确检测和定位。这种多层次的注意力机制使得稻田虫害检测模型在复杂环境下的表现更加优越；

41、进一步的，本技术实现了高效、精准的水稻虫害检测和消杀处理，不仅提高了农作物的产量和质量，同时也为农业现代化提供了新的思路和解决方案。