[发明专利]微型真菌类作物病害检测方法

说明书

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。

技术领域

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

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。

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

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。

本发明为实现上述目的，通过以下技术方案实现：

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。

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r_max为待量化的值中的最大值,r_min为待量化实数的最小值,k为量化后的位数。

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。

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：Dk*Dk*1*m*Df*Df+1*1*m*n*Df*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。

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。

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。