微型真菌类作物病害检测方法

IPRDB

API 数据接口

专利申请

使用指引 chat嘟嘟

会员体验

联系我们

交流群

现在联系顾问~

微型真菌类作物病害检测方法
申请号	CN202110849619.X	申请日	2021-07-27	公开(公告)号	CN113516647B	公开(公告)日	2023-06-13
申请人	山东浪潮科学研究院有限公司;			发明人	段强; 温杰; 李锐; 王建华; 张晖;
摘要	本发明提供了一种微型真菌类作物病害检测方法，通过在低功耗低算力的ARM架构微控制器芯片上运行深度学习算法，实现对于真菌类作物的病害检测。一种微型真菌类作物病害检测方法，包括以下步骤：S1.收集受病害侵蚀的真菌类作物的图像；S2.进行数据筛选和标注类别；S3.利用深度学习框架进行模型训练；S4.导出模型为通用的格式；S5.根据数据计算出量化的参数，然后对模型进行量化；S6.将模型代码编译为ARM可识别的格式，并部署到硬件上；S7.通过摄像头采集数据后调用模型进行推理，得到结果进行显示。
权利要求	1.一种微型真菌类作物病害检测方法，其特征在于：包括以下步骤：S1.收集受病害侵蚀的真菌类作物的图像； S2.进行数据筛选和标注类别； S3.利用深度学习框架进行模型训练； S4.导出模型为通用的格式； S5.根据数据计算出量化的参数，然后对模型进行量化； S6.将模型代码编译为ARM可识别的格式，并部署到硬件上； S7.通过摄像头采集数据后调用模型进行推理，得到结果进行显示；量化公式为：其中Z为实数0的量化结果通常称为零点，r为待量化任意实数,其中rmax为待量化的值中的最大值,rmin为待量化实数的最小值,k为量化后的位数；深度学习采用MobileNet v1的结构，通过深度可分离卷积对传统卷积进行替换并进行定点量化，深度可分离卷积的参数量为：DkDk1mDfDf+11mnDfD，Dk是卷积核尺寸，m是卷积核通道数，n是卷积核个数，Df是特征图尺寸。 2.根据权利要求1所述微型真菌类作物病害检测方法，其特征在于：编译过程包括代码校验，确保生成正确的c++代码；通过avr‑gcc编译器将上一步生成的可读代码编译成机器能识别的目标文件；通过链接器将目标文件与标准库文件共同链接，生成Hex文件，将该Hex文件上传至开发板的可编程内存中存储执行。 3.根据权利要求1所述微型真菌类作物病害检测方法，其特征在于：深度学习是在ARM架构微控制器芯片上运行，ARM架构微控制器为ARM Cortex M0/M4/M7系列。 4.根据权利要求1至3任一项所述微型真菌类作物病害检测方法，其特征在于：图像采用摄像头，清晰度为QVGA的单通道成像。
说明书全文	微型真菌类作物病害检测方法技术领域 [0001] 本发明涉及一种病害检测方法，具体涉及一种微型真菌类作物病害检测方法。背景技术 [0002] 当前农作物病虫害检测方法主要是通过在云端服务器上的图像分类和目标检测算法实现，通常通用模型参数量庞大，耗费计算资源很多，功耗也较大。这是因为服务器中为了适配更广泛的模型和算法，普遍不存在功耗和计算力限制。而实际上真菌病虫害检测这个特定场景下，模型参数量小，任务不复杂，不需要大规模的算力。因此低功耗低算力便于携带和部署的设备是目前的最优选择。 [0003] 通过矩阵拆解进行降低参数量计算量是业内共识，如一层正常卷积拆解为深度卷积和逐点卷积进行降参数量。另外对模型参数和输入数据进行量化也能降低内存消耗。通常采用fp32到int8的定点量化。发明内容 [0004] 本发明提供了一种微型真菌类作物病害检测方法，通过在低功耗低算力的ARM架构微控制器芯片上运行深度学习算法，实现对于真菌类作物的病害检测。 [0005] 本发明为实现上述目的，通过以下技术方案实现： [0006] 一种微型真菌类作物病害检测方法，包括以下步骤： [0007] S1.收集受病害侵蚀的真菌类作物的图像； [0008] S2.进行数据筛选和标注类别； [0009] S3.利用深度学习框架进行模型训练； [0010] S4.导出模型为通用的格式； [0011] S5.根据数据计算出量化的参数，然后对模型进行量化； [0012] S6.将模型代码编译为ARM可识别的格式，并部署到硬件上； [0013] S7.通过摄像头采集数据后调用模型进行推理，得到结果进行显示。 [0014] 上述微型真菌类作物病害检测方法基础上，量化公式为：其中Z为实数0的量化结果通常称为零点，r为待量化任意实数, 其中rmax为待量化的值中的最大值,rmin为待量化实数的最小值,k为量化后的位数。 [0015] 上述微型真菌类作物病害检测方法基础上，编译过程包括代码校验，确保生成正确的c++代码；通过avr‑gcc编译器将上一步生成的可读代码编译成机器能识别的目标文件；通过链接器将目标文件与标准库文件共同链接，生成Hex文件，将该Hex文件上传至开发板的可编程内存中存储执行。 [0016] 上述微型真菌类作物病害检测方法基础上，深度学习采用MobileNet v1的结构，通过深度可分离卷积对传统卷积进行替换并进行定点量化，深度可分离卷积的参数量为：DkDk1mDfDf+11mnDfD，Dk是卷积核尺寸，m是卷积核通道数，n是卷积核个数，Df是特征图尺寸。 [0017] 上述微型真菌类作物病害检测方法基础上，深度学习是在ARM架构微控制器芯片上运行，ARM架构微控制器为ARM Cortex M0/M4/M7系列。 [0018] 上述微型真菌类作物病害检测方法基础上，图像采用摄像头，清晰度为QVGA的单通道成像。 [0019] 本发明的优点在于：通过在低功耗低算力的ARM架构微控制器芯片上运行深度学习算法，实现对于真菌类作物的病害检测，算法使用基于Mobilenet v1的图像分类，结合量化进行加速和减少内存消耗，整体过程功耗低，设备成本低，推理速度快，易于部署。附图说明 [0020] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。 [0021] 图1为本发明微型真菌类作物病害检测方法流程图。具体实施方式 [0022] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。 [0023] 参考图1，一种微型真菌类作物病害检测方法，包括以下步骤： [0024] S1.收集受病害侵蚀的真菌类作物的图像； [0025] S2.进行数据筛选和标注类别； [0026] S3.利用深度学习框架进行模型训练； [0027] S4.导出模型为通用的onnx/npz格式； [0028] S5.根据数据计算出量化的参数，然后对模型进行量化； [0029] S6.将模型代码编译为ARM可识别的格式，并部署到硬件上； [0030] S7.通过摄像头采集数据后调用模型进行推理，得到结果进行显示。 [0031] 本实施例中，量化公式为：其中Z为实数0的量化结果通常称为零点，r为待量化任意实数, 其中rmax为待量化的值中的最大值,rmin为待量化实数的最小值,k为量化后的位数。 [0032] 本实施例中，编译过程包括代码校验，确保生成正确的c++代码；通过avr‑gcc编译器将上一步生成的可读代码编译成机器能识别的目标文件；通过链接器将目标文件与标准库文件共同链接，生成Hex文件，将该Hex文件上传至开发板的可编程内存中存储执行。 [0033] 本实施例中，深度学习采用MobileNet v1的结构，通过深度可分离卷积对传统卷积进行替换并进行定点量化，传统卷积的参数量为：DkDkmnDfDf，深度可分离卷积的参数量为：DkDk1mDfDf+11mnDf*D，Dk是卷积核尺寸，m是卷积核通道数，n是卷积核个数，Df是特征图尺寸。 [0034] 本实施例中，深度学习是在ARM架构微控制器芯片上运行，ARM架构微控制器为ARM Cortex M0/M4/M7系列，其中Cortex M0为基础版本，生产不出来高性能的STM32的单片机，Cortex M4运算浮点类型的数据，Cortex M4会很大程度提高处理器性能和运算速度，Cortex M7性能好和高功耗兼具，适用于要求极致性能的环境。 [0035] 本实施例中，图像采用摄像头，清晰度为QVGA的单通道成像。 [0036] 最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。