基于YOLO v4的农业病虫害检测方法及装置

摘要

本发明提供一种基于YOLO v4的农业病虫害检测方法及装置，通过将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；根据基于YOLO v4的农业病虫害检测模型得到检测结果；基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，检测结果根据引导头输出预测结果和辅助头输出预测结果加权求和得到，通过增加辅助头，可以增加备选分类结果，避免漏检，提高农业病虫害检测的准确性。

权利要求

1.一种农业病虫害检测方法，其特征在于，包括：

将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；

根据所述基于YOLO v4的农业病虫害检测模型得到检测结果；

所述基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，所述检测结果根据所述引导头输出预测结果和辅助头输出预测结果加权求和得到；

还包括：

根据所述引导头生成粗标签和细标签，所述粗标签用于辅助辅导头进行训练，所述细标签用于辅助引导头进行训练；

所述基于YOLO v4的农业病虫害检测模型的训练过程包括：根据损失函数计算所述引导头输出预测结果与真实结果之间的第一损失值；

根据所述第一损失值和所述细标签指导所述引导头输出预测结果；

根据损失函数计算所述辅助头输出预测结果与真实结果之间的第二损失值；

根据所述第二损失值和所述粗标签指导所述辅助头输出预测结果；

所述损失函数公式为：

其中， 为损失函数， 为坐标损失函数， 为目标置信度损失函数，2

为分类损失函数，K,S ,B分别为输出的特征图、cell和每个cell中的先验框数量；α*表示各个子损失函数的权重， 表示第k个输出的特征图，第i个cell，第j个先验框是否为正样本，如果是正样本则为1，反之为0；tp,tgt是预测向量和真实值向量； 为平衡系数用于平衡每个尺度的输出特征图的权重。

2.根据权利要求1所述的农业病虫害检测方法，其特征在于，所述子损失函数，包括：坐标损失函数、目标置信度损失函数和分类损失函数，其中目标置信度损失函数和分类损失函数采用带log的二值交叉熵损失函数，坐标损失函数采用CIoU损失函数。

3.根据权利要求1所述的农业病虫害检测方法，其特征在于，所述基于YOLO v4的农业病虫害检测模型根据训练样本集进行训练得到，所述训练样本集生成过程包括：将训练数据集中的多个GT框进行聚类操作得到多个先验框；

将每个GT框与每个先验框进行匹配；

根据匹配结果筛选出正样本、负样本和背景；

根据所述正样本、负样本和背景生成训练样本集。

4.根据权利要求3所述的农业病虫害检测方法，其特征在于，所述训练样本集生成过程还包括：将离GT框的中心位置最近的预设个数邻域网格作为正样本。

5.根据权利要求3所述的农业病虫害检测方法，其特征在于，所述根据匹配结果筛选出正样本、负样本和背景，包括：分别计算每个GT框与每个先验框的框尺寸比值，所述框尺寸比值包括框宽比值和框高比值；

若所述框尺寸比值的最大值小于预设比值阈值，则判定对应GT框为正样本；

若所述框尺寸比值的最大值不小于预设比值阈值，则判定对应GT框为负样本；

若GT框与任一先验框的框尺寸比值小于等于1，则判定所述GT框为背景。

6.根据权利要求3所述的农业病虫害检测方法，其特征在于，若一个GT框与多个先验框的框尺寸比值均大于预设比值阈值，包括：将大于预设比值阈值对应的多个先验框按照匹配代价从小到大排列，所述匹配代价根据预测结果和真实结果计算出的IoU损失与分类损失相加得到；

根据所述先验框的排列顺序依次筛选出预设数量阈值的先验框作为正样本。

7.一种农业病虫害检测检测装置，其特征在于，包括：输入模块，用于将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；

输出模块，用于根据所述基于YOLO v4的农业病虫害检测模型得到检测结果；所述基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，所述检测结果根据所述引导头输出预测结果和辅助头输出预测结果加权求和得到；还包括：根据所述引导头生成粗标签和细标签，所述粗标签用于辅助辅导头进行训练，所述细标签用于辅助引导头进行训练；所述基于YOLO v4的农业病虫害检测模型的训练过程包括：根据损失函数计算所述引导头输出预测结果与真实结果之间的第一损失值；根据所述第一损失值和所述细标签指导所述引导头输出预测结果；根据损失函数计算所述辅助头输出预测结果与真实结果之间的第二损失值；根据所述第二损失值和所述粗标签指导所述辅助头输出预测结果；所述损失函数公式为：其中， 为损失函数， 为坐标损失函数， 为目标置信度损失函数，2

为分类损失函数，K,S ,B分别为输出的特征图、cell和每个cell中的先验框数量；α*表示各个子损失函数的权重， 表示第k个输出的特征图，第i个cell，第j个先验框是否为正样本，如果是正样本则为1，反之为0；tp,tgt是预测向量和真实值向量； 为平衡系数用于平衡每个尺度的输出特征图的权重。

8.一种农业病虫害检测设备，包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至

6任一项所述的农业病虫害检测方法。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的农业病虫害检测方法。

说明书

基于YOLO v4的农业病虫害检测方法及装置

技术领域

[0001] 本发明涉及农业智能化和目标检测软件技术领域，尤其涉及一种基于YOLO v4的农业病虫害检测方法及装置。

背景技术

[0002] 农业病虫害种类繁多且形成环境因素复杂，如果不提前预防，一旦发生极易为农户带来巨大损失，严重威胁影响国家农业丰收和粮食安全。目前，单纯依靠人工观测和经验辨识很可能会导致疾病的误判，难以达到预期的防治效果。同时，由于目前的农业技术人员经验不足，各种现代化技术实际运用的能力较低，难以在作物生产中及时发现和预警病害。因此，基于深度学习算法的自动检测农业病虫害系统应用而生，通过深度学习完成目标检测的相关研究应用在农业病虫害识别时，不仅可以识别病虫害属于哪个种类，更重要的是可以识别出病害和虫害在图片中的具体位置，因此已被广泛使用。相关技术中，使用YOLO v4单阶段模型算法对农业病虫害进行检测，YOLO v4单阶段模型包括主干特征网络、Neck模块和引导头(Yolo head)模块，通过引导头对特征进行分类预测，由于引导头匹配的候选先验框数量有限，容易造成漏检，导致检测结果不准确，用户使用体验差。

发明内容

[0003] 本发明提供一种基于YOLO v4的农业病虫害检测方法及装置，用以解决传统YOLO v4模型进行农业病虫害检测时输出的预测结果不准确，导致用户使用体验差的缺陷。

[0004] 本发明提供一种农业病虫害检测方法，包括：

[0005] 将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；

[0006] 根据所述基于YOLO v4的农业病虫害检测模型得到检测结果；

[0007] 所述基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，所述检测结果根据所述引导头输出预测结果和辅助头输出预测结果加权求和得到。

[0008] 根据本发明提供一种农业病虫害检测方法，还包括：

[0009] 根据所述引导头生成粗标签和所述细标签，所述粗标签用于辅助辅导头进行训练，所述细标签用于辅助引导头进行训练。

[0010] 根据本发明提供一种农业病虫害检测方法，所述基于YOLO v4的农业病虫害检测模型的训练过程包括：

[0011] 根据损失函数计算所述引导头输出预测结果与真实结果之间的第一损失值；

[0012] 根据所述第一损失值和所述细标签指导所述引导头输出预测结果；

[0013] 根据损失函数计算所述辅助头输出预测结果与真实结果之间的第二损失值；

[0014] 根据所述第二损失值和所述粗标签指导所述辅助头输出预测结果。

[0015] 所述基于YOLO v4的农业病虫害检测模型的训练过程包括：

[0016] 根据损失函数计算所述引导头输出预测结果与真实结果之间的第一损失值；

[0017] 根据所述第一损失值指导所述引导头输出预测结果；

[0018] 根据损失函数计算所述辅助头输出预测结果与真实结果之间的第二损失值；

[0019] 根据所述第二损失值指导所述辅助头输出预测结果。

[0020] 根据本发明提供一种农业病虫害检测方法，所述损失函数公式为：

[0021]

[0022] 其中， 为损失函数，K,S2,B分别为输出的特征图、cell和每个cell中的先验框数量；α*表示各个子损失函数的权重， 表示第k个输出的特征图，第i个cell，第j个先验框是否为正样本，如果是正样本则为1，反之为0；tp,tgt是预测向量和真实值向量；为平衡系数用于平衡每个尺度的输出特征图的权重。

[0023] 根据本发明提供一种农业病虫害检测方法，所述子损失函数，包括：

[0024] 坐标损失函数、目标置信度损失函数和分类损失函数，其中目标置信度损失函数和分类损失函数采用带log的二值交叉熵损失函数，坐标损失函数采用CIoU损失函数。

[0025] 根据本发明提供一种农业病虫害检测方法，所述基于YOLO v4的农业病虫害检测模型根据训练样本集进行训练得到，所述训练样本集生成过程包括：

[0026] 将训练数据集中的多个GT框进行聚类操作得到多个先验框；

[0027] 将每个GT框与每个先验框进行匹配；

[0028] 根据匹配结果筛选出正样本、负样本和背景；

[0029] 根据所述正样本、负样本和背景生成训练样本集。

[0030] 根据本发明提供一种农业病虫害检测方法，所述训练样本集生成过程还包括：

[0031] 将离GT框的中心位置最近的预设个数邻域网格作为正样本。

[0032] 根据本发明提供一种农业病虫害检测方法，所述根据匹配结果筛选出正样本、负样本和背景，包括：

[0033] 分别计算每个GT框与每个先验框的框尺寸比值，所述框尺寸比值包括框宽比值和框高比值；

[0034] 若所述框尺寸比值的最大值小于预设比值阈值，则判定对应GT框为正样本；

[0035] 若所述框尺寸比值的最大值不小于预设比值阈值，则判定对应GT框为负样本；

[0036] 若GT框与任一先验框的框尺寸比值小于等于1，则判定所述GT框为背景。

[0037] 根据本发明提供一种农业病虫害检测方法，若一个GT框与多个先验框的框尺寸比值均大于预设比值阈值，包括：

[0038] 将大于预设比值阈值对应的多个先验框按照匹配代价从小到大排列，所述匹配代价根据预测结果和真实结果计算出的IoU损失与分类损失相加得到；

[0039] 根据所述先验框的排列顺序依次筛选出预设数量阈值的先验框作为正样本。

[0040] 本发明还提供一种农业病虫害检测装置，包括：

[0041] 输入模块，用于将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；

[0042] 输出模块，用于根据所述基于YOLO v4的农业病虫害检测模型得到检测结果；所述基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，所述检测结果根据所述引导头输出预测结果和辅助头输出预测结果加权求和得到。

[0043] 本发明还提供一种电子设备，包括存储器、处理器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程序时实现如上述任一种所述的农业病虫害检测方法。

[0044] 本发明还提供一种非暂态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如上述任一种所述的农业病虫害检测方法。

[0045] 本发明提供的基于YOLO v4的农业病虫害检测方法及装置，通过将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；根据基于YOLO v4的农业病虫害检测模型得到检测结果；基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，检测结果根据引导头输出预测结果和辅助头输出预测结果加权求和得到，通过增加辅助头，可以增加备选分类结果，避免漏检，提高农业病虫害检测的准确性。

附图说明

[0046] 为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0047] 图1是本发明提供的农业病虫害检测方法的流程示意图；

[0048] 图2是本发明提供的基于YOLO v4的农业病虫害检测模型的辅助训练模块结构示意图；

[0049] 图3是本发明提供的基于YOLO v4的农业病虫害检测模型中引导头和辅助头学习流程示意图；

[0050] 图4是本发明提供的农业病虫害检测方法中模型训练流程图；

[0051] 图5是本发明提供的农业病虫害检测方法中模型训练样本集生成流程图。

[0052] 图6是本发明提供的农业病虫害检测装置的结构示意图；

[0053] 图7是本发明提供的电子设备的结构示意图。

具体实施方式

[0054] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0055] 图1为本发明实施例提供的农业病虫害检测方法的流程图，如图1所示，本发明实施例提供的农业病虫害检测方法包括：

[0056] 步骤101、将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；

[0057] 步骤102、根据基于YOLO v4的农业病虫害检测模型得到检测结果，基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，检测结果根据引导头输出预测结果和辅助头输出预测结果加权求和得到。

[0058] 在本发明实施例中，在网络的中间层增加额外的用于辅助训练的头，称之为辅助头(Aux Head)，基于YOLO v4的农业病虫害检测模型中YOLO Head结构如附图2所示，其工作原理包括：

[0059] 将从YOLO v4模型Neck模块中一些特征层输出的特征数据分别输入至不同的辅助头，将Neck模块中另一些特征层输出的特征数据分别输入至不同的引导头。辅助头和引导头均需对目标进行深度监督，通过引导头的预测来引导辅助头以及自身学习优化。

[0060] 本发明实施例利用引导头的预测结果作为指导，生成从粗到细的层次标签，将这些层次标签分别用于辅助头(Aux Head)和引导头(Lead Head)的学习，改变YOLO v4原有的单方面YOLO Head输出方式，提高分类结果准确性。

[0061] 本发明实施例提供的农业病虫害检测方法通过将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型，根据基于YOLO v4的农业病虫害检测模型得到检测结果，基于YOLO v4的农业病虫害检测模型中辅助训练模块包括引导头和辅助头，利用引导头生成软标签，辅助头和引导头基于所述软标签和损失函数进行训练，以根据训练好的辅助头优化模型网络权重，根据训练好的引导头输出检测结果，一方面，通过辅助头优化模型网络权重，提高辅助模块作用，从而优化模型性能，提高检测结果准确性，另一方面，通过引导头的预测来指导辅助头以及自身预测结果，可以进一步提高对农业病虫害检测的准确性。

[0062] 辅助头和引导头的输入不同，辅助头和引导头均需对目标进行深度监督，通过引导头的预测来引导辅助头以及自身。首先使用引导头的预测作为指导，生成从粗到细的层次标签，再分别用于辅助头和引导头的学习，如图3所示，其中的层次标签需使用“标签分配器”，即将网络预测结果与真实结果一起考虑后再分配软标签的机制。

[0063] 在本发明实施例中，还包括：

[0064] 根据引导头生成粗标签和所述细标签，所述粗标签用于辅助辅导头进行训练，细标签用于辅助引导头进行训练。

[0065] 细标签与传统YOLO v4模型中引导头在标签分配器上生成的软标签相同，用于指导分类结果输出；

[0066] 粗标签用于降低正样本分配约束，允许更多的网格作为正样本，可以提高分类结果的准确性。

[0067] 通过引入coarse‑to‑fine(由粗到细)引导标签分配策略可以对病虫害进行更准确的分类和定位。由于传统YOLO v4模型中只具有引导头进行分类输出，易造成预测结果标签分配不准确，导致用户使用体验差。

[0068] 基于上述任一实施例，如图4所示，基于YOLO v4的农业病虫害检测模型的训练过程包括：

[0069] 步骤401、根据损失函数计算引导头输出预测结果与真实结果之间的第一损失值；

[0070] 步骤402、根据第一损失值和细标签指导引导头输出预测结果；

[0071] 步骤403、根据损失函数计算辅助头输出预测结果与真实结果之间的第二损失值；

[0072] 步骤404、根据第二损失值和粗标签指导辅助头输出预测结果。

[0073] 在本发明实施例中，损失函数公式为：

[0074]

[0075] 其中， 为损失函数，K,S2,B分别为输出的特征图、cell和每个cell中的先验框数量；α*表示各个子损失函数的权重， 表示第k个输出的特征图，第i个cell，第j个先验框是否为正样本，如果是正样本则为1，反之为0；tp,tgt是预测向量和真实值向量；为平衡系数用于平衡每个尺度的输出特征图的权重。

[0076] 子损失函数，包括：

[0077] 坐标损失函数、目标置信度损失函数和分类损失函数，其中目标置信度损失函数和分类损失函数采用带log的二值交叉熵损失函数，坐标损失函数采用CIoU损失函数。

[0078] 坐标损失函数的表达式如下所示：

[0079]

[0080]

[0081] 其中， 为目标框和预测框的中心点欧式距离， 为目标框t gt p
的对角线距离，v是衡量长宽比一致性的参数。wg ,h 是真实目标框的宽和高，wp,h是预测框的宽和高。

[0082] 目标置信度损失由正样本匹配得到的样本对计算，样本对包括预测框中的目标置信度分数po和预测框和与之对应的目标框的IoU值，其作为GT框，两者计算二进制交叉熵得到最终的目标置信度损失。目标置信度的公式如下：

[0083]

[0084] 分类损失与目标置信度损失类似，通过预测结果的类别分数和目标类别的one‑hot表现来计算分类损失，分类损失函数如下所示：

[0085]

[0086] 三个部分的损失均是通过匹配得到的正样本对来计算，每一个输出特征图相互独立，直接相加得到最终每一部分的损失值。

[0087] 根据损失函数计算每个GT框和候选先验框损失，前期会加大分类损失权重，后期减低分类损失权重，并保留损失最小的前K个，去除掉同一个先验框被分配到多个GT框的情况。

[0088] 需要说明的是，辅助头和引导头的损失函数相同，且辅助头输出预测结果的加权系数不能过大，否则会导致模型输出检测结果精度变低。

[0089] 本发明实施例提供的农业病虫害检测方法将原有的没有深度检测的目标检测器架构进行改进，添加了辅助训练的辅助头，将辅助头和引导头的权重做融合，提高模型性能，同时引入新的标签分配方法，通过引导头的预测来引导辅助头以及自身，提高对农业病虫害检测的准确性。

[0090] 基于上述任一实施例，如图5所示，基于YOLO v4的农业病虫害检测模型根据训练样本集进行训练得到，所述训练样本集生成过程包括：

[0091] 步骤501、将训练数据集中的多个GT框进行聚类操作得到多个先验框；

[0092] 在本发明实施例中，聚类算法例如为K‑Means聚类算法，得到9个先验框。

[0093] 步骤502、将每个GT框与每个先验框进行匹配；

[0094] 步骤503、根据匹配结果筛选出正样本、负样本和背景；

[0095] 在本发明实施例中，根据匹配结果筛选出正样本、负样本和背景，包括：

[0096] 分别计算每个GT框与每个先验框的框尺寸比值，框尺寸比值包括框宽比值和框高比值；

[0097] 若所述框尺寸比值的最大值小于预设比值阈值，则判定对应GT框为正样本；

[0098] 在本发明实施例中，分别计算每个GT框与每个预测框的框宽的比值和框高的比值；

[0099] 取多个框宽的比值中的最大值和多个框高的比值中的最大值；

[0100] 若框宽的比值的最大值和框高的比值的最大值均小于预设比值阈值，则判定对应先验框为正样本。

[0101] 若所述框尺寸比值的最大值不小于预设比值阈值，则判定对应GT框为负样本；

[0102] 若GT框与任一先验框的框尺寸比值小于等于1，则判定所述GT框为背景。

[0103] 若一个GT框也可能会没有任何先验框能匹配，此时的GT框会被默认为背景，不参与模型训练，此时本领域技术人员可以调整先验框的大小。

[0104] 步骤504、根据正样本、负样本和背景生成训练样本集。

[0105] 在本发明实施例中，训练样本集生成过程还包括：

[0106] 将离GT框的中心位置最近的预设个数邻域网格作为正样本。

[0107] 预设个数例如为2，通过增加预测框数量可以扩充正样本。把离GT框的中心位置最近的2个邻域网格也作为预测框，此时的GT框由先验框，2个相邻网格来预测，与传统的YOLO v4模型相比，正样本数量变为3倍(在本发明实施例中最大的匹配数由9个升至27个)。

[0108] 根据本发明提供一种农业病虫害检测方法，若一个GT框与多个先验框的框尺寸比值均大于预设比值阈值，匹配策略是使用SimOTA方法，包括：

[0109] 将大于预设比值阈值对应的多个先验框按照匹配代价(cost)从小到大排列，匹配代价(cost)根据预测结果和真实结果计算出的IoU损失与分类损失相加得到；

[0110] IoU(Intersection over Union)是一种测量在特定数据集中检测相应物体准确度的一个标准。IoU是两个区域重叠的部分除以两个区域的集合部分得出的结果，通过设定的阈值，与这个IoU计算结果比较。例如，将根据特征数据预测得到的预测框与真实框进行IoU比较，获取前10的最大的IoU的预测结果，将10个IoU的值进行加和操作后会得到一个值，这个值就是正样本数量，最小取1。

[0111] 根据先验框的排列顺序依次筛选出预设数量阈值的先验框作为正样本。

[0112] 在本发明实施例中，模型训练结束后，通过实验分析对比模型对农业病虫害图像的识别精度、识别耗时及模型实时性能。使用Precis ion‑Recal l曲线、AP(检测精度)、mAP(AP值在所有类别下的均值)评价模型精度，其中AP值即为P‑R曲线与坐标轴围成区域面积，mAP是所有类的AP平均值，P‑R曲线中召回率(R)的公式和精准率(P)的公式如下所示：

[0113]

[0114]

[0115] 其中TP为被判为正类的正类，FN为被判为负类的正类，FP为被判为正类的负类，利用模型预测模块对测试集中的病虫害图像进行预测效果对比分析，获取最优检测模型。

[0116] 本发明实施例提供的农业病虫害检测方法通过对模型训练样本集进行筛选，提高模型的学习性能，从而有利于提高对农业病虫害检测的准确性。

[0117] 下面对本发明提供的农业病虫害检测装置进行描述，下文描述的农业病虫害检测装置与上文描述的农业病虫害检测方法可相互对应参照。

[0118] 图6为本发明实施例提供的农业病虫害检测装置的示意图，如图6所示，本发明实施例提供的农业病虫害检测装置包括：

[0119] 输入模块601，用于将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；

[0120] 输出模块602，用于根据基于YOLO v4的农业病虫害检测模型得到检测结果；基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，检测结果根据所述引导头输出预测结果和辅助头输出预测结果加权求和得到。

[0121] 本发明实施例提供的农业病虫害检测装置通过将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；根据基于YOLO v4的农业病虫害检测模型得到检测结果；基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，检测结果根据引导头输出预测结果和辅助头输出预测结果加权求和得到，通过增加辅助头，可以增加备选分类结果，避免漏检，提高农业病虫害检测的准确性。

[0122] 图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行农业病虫害检测方法，该方法包括：将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；根据基于YOLO v4的农业病虫害检测模型得到检测结果；基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，检测结果根据引导头输出预测结果和辅助头输出预测结果加权求和得到。

[0123] 此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0124] 另一方面，本发明还提供一种非暂态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以执行上述各方法提供的农业病虫害检测方法，该方法包括：将待检测农业病虫害图像输入基于YOLO v4的农业病虫害检测模型；根据基于YOLO v4的农业病虫害检测模型得到检测结果；基于YOLO v4的农业病虫害检测模型中包括引导头和辅助头，检测结果根据引导头输出预测结果和辅助头输出预测结果加权求和得到。

[0125] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0126] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。