摘要
桑蚕养殖作为南方许多地区的重要经济活动，如今成为实现广西乡村振兴的主要途径。在小型蚕户的养殖过程中，容易受到环境等各种因素影响出现病蚕，并且蚕病具有一定的传染性。如果蚕户无法准确判断病蚕种类并做出相应治理，会影响经济效益。而在目前蚕病检测中的主要难点问题有以下几点:如蚕病数据集难以收集，不同蚕病之间存在相似性，拍照检测蚕病时背景影响检测结果，多条病蚕难以同时检测等。针对蚕病检测中所存在的问题，本文从改进图像检测分割技术和深度学习模型两个方面提出了基于深度学习的桑蚕病虫害检测技术研究，用于解决蚕户养殖时出现病蚕的辅助检测问题，减少对病蚕的误判，提高桑蚕养殖业的智能化发展程度。 本文完成的主要研究工作如下: (1)针对病蚕图像预处理阶段的背景去除问题，提出利用图像的分量差值特征结合数据峰值密度对K-means算法的聚类中心进行重新计算，自动确定图像分割阈值。通过常用阈值分割算法与本文所提方法的对比实验可知，本文所提方法能够有效去除病蚕图像的背景区域，其准确率为85％,与其他图像分割方法相比有明显优势。 (2)在YOLOv5算法的基础上，对模型结构进行改进。针对样本不平衡与部分蚕病特征相似的情况，在YOLOv5的主干部分的C3结构后面增加SPPCSPC模块，在检测头部分增加Shuffle Attention注意力机制。然后使用经过图像背景分割处理的病蚕图像混合原始数据集用于训练改进YOLOv5模型,以此提高模型对病区特征的学习。通过对比实验可知，本文改进的模型结构与原始结构相比具有更高的准确率与计算速度。 本文从图像检测分割技术和YOLOv5模型结构两个方向进行改进，针对常见蚕病的检测模型在精度和速度上符合预期目标，可以辅助进行蚕病检测。
NETL