(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210516355.0 (22)申请日 2022.05.12 (71)申请人 安徽大学 地址 230601 安徽省合肥市经济技 术开发 区九龙路1 11号 (72)发明人 史枫林　翁士状　龚家骐　张子茜　 孙浩宸　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 专利代理师 刘涛 (51)Int.Cl. G06T 7/00(2017.01) G06T 3/40(2006.01) G06V 10/22(2022.01) G06V 10/46(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06T 7/11(2017.01) G06N 3/04(2006.01) (54)发明名称 设施番茄叶部病斑检测方法及靶向喷药装 置 (57)摘要 本发明特别涉及一种设施番茄叶部病斑检 测方法， 包括如下步骤： S100、 无损、 非破坏性获 取设施番茄植株原始图像； S200、 原始图像经过 Input输入端缩放到标准尺寸并设定初始锚框； S300、 在B ackbone主干网络中依次经过Focus模 块切片成特征图、 经过卷积核的卷积操作、 经过 CBAM_CSP结构进行特征聚合； S400、 进入Neck网 络层聚合参数提取设施番茄叶部病斑特征； S500、 提取的特征图经过Prediction结构训练的 权重文件里的设施番茄叶部病斑特征以及损失 函数进行目标预测， 检测出图像中的病斑。 根据 基于Yolov5算 法在Backbone主干网络的CSP结构 中添加CBAM通道空间注意力模块， 改进损失函 数， 利用改进后的算法提高设施番茄叶部病斑检 测精度， 本方法的检测结果准确， 该方法可靠、 实 用性强。 权利要求书2页 说明书3页 附图2页 CN 114937009 A 2022.08.23 CN 114937009 A 1.一种设施番 茄叶部病斑 检测方法， 其特 征在于： 包括如下步骤： S100、 无损、 非破坏性获取设施番 茄植株原 始图像； S200、 原始图像经 过Input输入端缩放到标准尺寸并设定初始锚框； S300、 Input输入端输出的图像进入Backbone主干网络中， 依次经过Focus模块切片成 特征图、 经过卷积核的卷积 操作、 经过CBAM_CS P结构进行 特征聚合； S400、 经过聚合后的特 征图进入Neck网络层聚合 参数、 提取设施番 茄叶部病斑特 征； S500、 提取的特征图进入Head输出端， 经过Prediction结构训练的权重文件里的设施 番茄叶部病斑特 征以及损失函数进行目标 预测， 检测出图像中的病斑。 2.如权利要求1所述的设施番茄叶部病斑检测方法， 其特征在于： 所述步骤S200中的 Input输入端、 步骤S400中的Neck网络层以及步骤S500中的Head输出端与Yolov5s网络中的 Input输入端、 Neck网络层以及Head输出端相同； 所述步骤S300中的Backbone主干网络是以 Yolov5s网络中的Backbone主干网络为基础、 并向Yolov5s网络中的Backbone主干网络中的 CSP1_X模块中的Co ncat模块后添加CBAM通道空间注意力模块得到的。 3.如权利要求2所述的设施番茄叶部病斑检测方法， 其特征在于： 所述步骤S300中的 Backbone主干网络进行 特征聚合的步骤 包括： S310、 从Focus模块切片卷积处理的特征图进入CB L模块进行卷积层Conv、 批归一化BN、 激活函数Leaky  Relu处理； S320、 进入CBAM_BottleneckCSP1_1结构,分两个通道， 一个通道进行Conv卷积， 另一个 通道连续进行一个CBL模块、 一个残差组件Res  unit和一个Co nv卷积； S330、 两个通道进入Co ncat进行一个残差组件的特 征融合； S340、 进入CBAM模块， 先经过通道注意力模块ChannelAttebtion  Module， 再经过空间 注意力模块Spatial  Attention Module优化特 征； S350、 优化特 征经过BN、 Leaky  Relu、 CBL处 理， 走完CBAM_Bot tleneckCS P1_1结构； S360、 优化特征连续两次执行如下操作： 先CBL处理再进入CBAM_BottleneckCSP1_3结 构进行三个残差组件的特 征融合； S370、 经过CBL处理进入SPP结构进行多尺度特 征融合完成特 征图的特性融合。 4.如权利要求3所述的设施番茄叶部病斑检测方法， 其特征在于： 所述的步骤S500中， 损失函数为权重损失函数Weight  Loss， 其由目标和分类损失函数、 边界回归损失函数两大 函数组成。 5.如权利要求4所述的设施番茄叶部病斑检测方法， 其特征在于： 所述的权重损失函数 Weight Loss通过如下公式计算得到： 权　利　要　求　书 1/2 页 2 CN 114937009 A 2式中， α 范围是[0,1]， β 范围是[0， 4]， p为经过Sigmoid函数的预测输出， y为真实样本标 签； Ac为包含预测框和目标框的最小框面积； Target  Box为目标框面积； Predict  Box为预 测框面积； I oU为目标框与预测框的交并比。 6.如权利要求5所述的设施番 茄叶部病斑 检测方法， 其特 征在于： 所述的α ＝0.5， β ＝3 。 7.一种靶向喷药装置， 其特征在于： 包括移动单元(10)、 目标检测单元(20)以及喷药单 元(30)， 所述的移动单元(10)用于承载目标检测单元(20)和喷药单元(30)并带动这两个单 元按设定 路径移动， 目标检测单元(20)根据权利要求1 中的步骤S100 ‑S500对设施番茄叶部 图像进行检测， 喷药单元(30)根据目标检测单元(20)的检测结果喷射对应药液到 设施番茄 的病害部位。 8.如权利要求7所述的靶向喷药装置， 其特征在于： 所述的移动单元(10)包括车轮 (11)、 车身(12)、 激光雷达(13)以及单片机(14)； 激光雷达(13)用于扫描设施番茄园的地 形， 单片机(14)用于构建激光雷达(13)扫描的地形图并规划移动单元(10)的巡检路线； 单 片机(14)还连接并控制目标检测单元(20)， 目标检测单元(20)将检测到病斑的种类、 在图 像中的位置信息传递到单片机(14)。 9.如权利要求8所述的靶向喷药装置， 其特征在于： 所述的喷药单元(30)包括药桶 (31)、 过滤纱网(32)、 抽水泵(33)、 静电喷筒(34)以及静电喷嘴(35)， 喷药单元(30)设置有 多组， 每组喷药单元(30)中的药桶(31)用于盛放针对不同病斑的药液， 过滤纱网(32)用于 过滤药液中的杂质， 抽水泵(33)通过静电喷筒(34)从药桶(31)中抽出药液并通过静电喷嘴 (35)喷射到设施番茄的病害部位； 电源(36)用于给多组喷药单元(30)中的抽水泵(33)供 电。权　利　要　求　书 2/2 页 3 CN 114937009 A 3