本發(fā)明涉及監(jiān)測，更具體地說，本發(fā)明涉及一種基于物聯(lián)網(wǎng)的紅蕓豆病害監(jiān)控系統(tǒng)。

背景技術(shù)：

1、紅蕓豆是一種重要的經(jīng)濟(jì)作物，具有很高的藥用價(jià)值和營養(yǎng)價(jià)值，但是其生長過程中容易受到多種病蟲害的侵襲，褐斑病、細(xì)菌性疫病是一種常見于紅蕓豆生長過程中的病害，會(huì)導(dǎo)致植株葉片干枯和脫落，影響作物的結(jié)莢，嚴(yán)重影響紅蕓豆的產(chǎn)量，隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，傳統(tǒng)紅蕓豆褐斑病、細(xì)菌性疫病人工監(jiān)測主觀性強(qiáng)、耗時(shí)長、效率低且難以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測的不足已經(jīng)被改善，在公開的文獻(xiàn)《improvement?of?the?yolov5?modelin?the?optimization?of?the?brown?spot?disease?recognition?algorithm?of?kidneybean》中，pengyan?su等人在yolov5模型中引入雙向特征金字塔網(wǎng)絡(luò)（bifpn）和注意力機(jī)制，用于突出識(shí)別紅蕓豆褐斑病、細(xì)菌性疫病葉片圖像的局部特征，并過濾關(guān)鍵特征，使得模型在保持原yolov5模型檢測速度的同時(shí)，能夠更準(zhǔn)確地識(shí)別紅蕓豆褐斑病、細(xì)菌性疫病病害區(qū)域，提高紅蕓豆褐斑病、細(xì)菌性疫病關(guān)鍵特征的過濾能力，且進(jìn)一步優(yōu)化了模型對(duì)紅蕓豆褐斑病、細(xì)菌性疫病的檢測性能，但是該模型為了排除周圍環(huán)境和其他葉片的干擾，是針對(duì)采集時(shí)間統(tǒng)一規(guī)定為上午11:00至下午14:00，使用佳能6d2相機(jī)（2600萬像素）在充足的戶外自然光下拍攝的患褐斑病、細(xì)菌性疫病單葉裁剪圖像進(jìn)行識(shí)別，但是沒有在紅蕓豆褐斑病、細(xì)菌性疫病識(shí)別的基礎(chǔ)上進(jìn)一步對(duì)單葉片識(shí)別的數(shù)據(jù)進(jìn)行分析，以獲取更多的關(guān)于紅蕓豆褐斑病、細(xì)菌性疫病的病害信息，基于物聯(lián)網(wǎng)對(duì)田間紅蕓豆的褐斑病、細(xì)菌性疫病進(jìn)行實(shí)時(shí)監(jiān)測和分析，有效幫助防治紅蕓豆田間褐斑病、細(xì)菌性疫病的蔓延和加重。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明提供一種基于物聯(lián)網(wǎng)的紅蕓豆病害監(jiān)控系統(tǒng)，結(jié)合物聯(lián)網(wǎng)技術(shù)和yolov5-se-bifpn目標(biāo)檢測模塊，實(shí)時(shí)監(jiān)控紅蕓豆褐斑病、細(xì)菌性疫病，引入bifpn和注意力機(jī)制，提高檢測精度和穩(wěn)定性，提取病斑特征數(shù)據(jù)，分析病害趨勢和嚴(yán)重程度，輔助農(nóng)業(yè)管理者決策，預(yù)防和控制紅蕓豆褐斑病、細(xì)菌性疫病的病害蔓延。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于物聯(lián)網(wǎng)的紅蕓豆病害監(jiān)控系統(tǒng)，包括圖像采集設(shè)備、圖像預(yù)處理模塊、yolov5-se-bifpn目標(biāo)檢測模塊、褐斑病及細(xì)菌性疫病特征數(shù)據(jù)提取模塊、褐斑病及細(xì)菌性疫病數(shù)據(jù)分析模塊和數(shù)據(jù)顯示模塊，圖像采集設(shè)備與圖像預(yù)處理模塊相連，圖像預(yù)處理模塊與yolov5-se-bifpn目標(biāo)檢測模塊相連，yolov5-se-bifpn目標(biāo)檢測模塊與褐斑病及細(xì)菌性疫病特征數(shù)據(jù)提取模塊相連，褐斑病及細(xì)菌性疫病特征數(shù)據(jù)提取模塊與褐斑病及細(xì)菌性疫病數(shù)據(jù)分析模塊相連，圖像預(yù)處理模塊、yolov5-se-bifpn目標(biāo)檢測模塊、褐斑病及細(xì)菌性疫病特征數(shù)據(jù)提取模塊、褐斑病及細(xì)菌性疫病數(shù)據(jù)分析模塊均與數(shù)據(jù)顯示模塊相連，圖像采集設(shè)備用于采集紅蕓豆田間的植株單片葉片圖像，并將圖像數(shù)據(jù)傳輸給圖像預(yù)處理模塊，基于物聯(lián)網(wǎng)技術(shù)實(shí)時(shí)監(jiān)控紅蕓豆的生長情況，圖像預(yù)處理模塊用于對(duì)采集的圖像進(jìn)行預(yù)處理，并將處理好的圖像傳輸給yolov5-se-bifpn目標(biāo)檢測模塊和數(shù)據(jù)顯示模塊，yolov5-se-bifpn目標(biāo)檢測模塊在yolov5s目標(biāo)檢測模型中引入雙向特征金字塔網(wǎng)絡(luò)（bifpn），用于高效的雙向跨尺度連接和加權(quán)多尺度特征融合，引入自適應(yīng)學(xué)習(xí)的特征權(quán)重，執(zhí)行自頂向下和自底向上的多尺度特征融合，通過全局池化將每個(gè)特征圖的空間維度壓縮為一個(gè)單一數(shù)值，以整合通道內(nèi)的信息，通過學(xué)習(xí)得到的權(quán)重，對(duì)每個(gè)通道進(jìn)行加權(quán)，突出對(duì)網(wǎng)絡(luò)任務(wù)更為關(guān)鍵的信息，通過將學(xué)習(xí)得到的通道權(quán)重重新加權(quán)原始特征圖，使網(wǎng)絡(luò)能夠更加集中地對(duì)于特定認(rèn)為更為重要的特征，對(duì)紅蕓豆褐斑病、細(xì)菌性疫病每個(gè)特征的通道進(jìn)行加權(quán)計(jì)算，優(yōu)化紅蕓豆單葉褐斑病、細(xì)菌性疫病特征的表達(dá)，準(zhǔn)確識(shí)別田間圖像集中患有紅蕓豆褐斑病、細(xì)菌性疫病的單葉，并將識(shí)別出的紅蕓豆褐斑病、細(xì)菌性疫病單葉圖像傳輸給褐斑病及細(xì)菌性疫病特征數(shù)據(jù)提取模塊和數(shù)據(jù)顯示模塊，褐斑病及細(xì)菌性疫病特征數(shù)據(jù)提取模塊從識(shí)別的紅蕓豆褐斑病、細(xì)菌性疫病單葉圖像特征數(shù)據(jù)中提取褐斑病及細(xì)菌性疫病斑點(diǎn)的位置信息、斑點(diǎn)面積、斑點(diǎn)數(shù)量、斑點(diǎn)的周長和斑點(diǎn)的面積，并將數(shù)據(jù)傳輸給褐斑病、細(xì)菌性疫病特征分析模塊和數(shù)據(jù)顯示模塊，利用預(yù)設(shè)的褐斑病及細(xì)菌性疫病病害擴(kuò)展趨勢分析公式獲取紅蕓豆褐斑病及細(xì)菌性疫病擴(kuò)展趨勢分析因子，利用預(yù)設(shè)的褐斑病及細(xì)菌性疫病病害嚴(yán)重程度分析公式獲取紅蕓豆褐斑病及細(xì)菌性疫病病害嚴(yán)重程度分值，再將獲得的紅蕓豆褐斑病及細(xì)菌性疫病擴(kuò)展趨勢分析因子和紅蕓豆褐斑病及細(xì)菌性疫病病害嚴(yán)重程度分值相乘獲取紅蕓豆褐斑病及細(xì)菌性疫病預(yù)測分析值，并將獲得的數(shù)據(jù)傳輸給數(shù)據(jù)顯示模塊。

4、作為本發(fā)明進(jìn)一步的方案，yolov5-se-bifpn目標(biāo)檢測模塊包括input端、backbone、neck和prediction，在input端輸入一張紅蕓豆單葉圖像，提取圖像中的特征，通過全局池化將每個(gè)特征圖的空間維度壓縮為一個(gè)單一數(shù)值，以整合通道內(nèi)的信息，通過學(xué)習(xí)得到的權(quán)重，對(duì)每個(gè)通道進(jìn)行加權(quán)，突出對(duì)網(wǎng)絡(luò)任務(wù)更為關(guān)鍵的信息，通過將學(xué)習(xí)得到的通道權(quán)重重新加權(quán)原始特征圖，使網(wǎng)絡(luò)能夠更加集中地對(duì)于特定認(rèn)為更為重要的特征，對(duì)特征的每個(gè)通道的權(quán)重進(jìn)行自適應(yīng)學(xué)習(xí)，在索引為13和17的位置，使用雙向特征金字塔網(wǎng)絡(luò)（bifpn）中的add操作融合backbone中的p4和p3特征，增強(qiáng)特征之間的信息交互，最后模型在neck中逐漸傳遞和處理圖像的特征，prediction輸出預(yù)測紅蕓豆單葉圖像中斑點(diǎn)的位置和類別信息。

5、yolov5模型是一種基于深度學(xué)習(xí)的目標(biāo)檢測模型，其主要特點(diǎn)在保持高檢測精度的同時(shí)顯著提高了檢測的速度，因此成為目標(biāo)檢測領(lǐng)域的首選模型之一，但是在處理紅蕓豆褐斑病、細(xì)菌性疫病病害識(shí)別任務(wù)時(shí)，模型難以準(zhǔn)確選擇和關(guān)注紅蕓豆褐斑病、細(xì)菌性疫病病害的重要特征，容易出現(xiàn)過擬合現(xiàn)象，從而導(dǎo)致模型識(shí)別效率下降，雙向特征金字塔網(wǎng)絡(luò)（bifpn）是一種高效的特征融合網(wǎng)絡(luò)結(jié)構(gòu)，被廣泛應(yīng)用于圖像處理技術(shù)和計(jì)算機(jī)視覺任務(wù)中的目標(biāo)檢測和語義分割，通過雙向特征傳播機(jī)制，多層特征得以整合和利用，從而更好地捕捉目標(biāo)的多尺度特征，bifpn將上下文信息添加到原始fpn模塊的邊緣，bifpn網(wǎng)絡(luò)忽略只有一個(gè)輸入邊的節(jié)點(diǎn)，網(wǎng)絡(luò)認(rèn)為，如果一個(gè)節(jié)點(diǎn)只有一個(gè)輸入邊，則對(duì)特征網(wǎng)絡(luò)的貢獻(xiàn)很小，因?yàn)樗鼪]有足夠的信息進(jìn)行有效的特征融合，所以對(duì)網(wǎng)絡(luò)的貢獻(xiàn)較小，此外，在同一層中的輸入和輸出節(jié)點(diǎn)之間添加額外的邊，通過迭代堆疊獲得更高級(jí)別的融合特征，這種策略有助于提高bifpn網(wǎng)絡(luò)的特征融合效率和準(zhǔn)確性，增強(qiáng)模型對(duì)特定場景的特征提取能力，bifpn網(wǎng)絡(luò)旨在實(shí)現(xiàn)對(duì)具有不同分辨率的輸入特征的有效融合，并考慮它們對(duì)輸出特征的貢獻(xiàn)，首先，設(shè)置學(xué)習(xí)參數(shù)以確保輸入層大小的一致性，并向每個(gè)特征層添加額外的權(quán)重，其次，使用快速歸一化融合方法對(duì)特征層進(jìn)行加權(quán)。注意力機(jī)制的發(fā)展受到人類視覺系統(tǒng)的啟發(fā)，人類視覺系統(tǒng)在處理復(fù)雜圖像和從復(fù)雜背景中提取關(guān)鍵特征方面表現(xiàn)出了卓越的能力，因此，研究人員將這一視覺注意力機(jī)制應(yīng)用于機(jī)器視覺，使得模型能夠自動(dòng)選擇和關(guān)注輸入數(shù)據(jù)中對(duì)任務(wù)更重要的部分，從而提高模型的性能，軟注意力可以在深度學(xué)習(xí)中更方便地迭代計(jì)算注意力權(quán)重，因此被廣泛應(yīng)用于相關(guān)研究中，擠壓與激勵(lì)（se）注意力網(wǎng)絡(luò)，通過對(duì)每個(gè)特征通道進(jìn)行加權(quán)來提取關(guān)鍵特征，通過將se模塊加入yolov5x模型，使得模型在雜草和生菜植物識(shí)別中表現(xiàn)出最高性能，se模塊通過對(duì)每個(gè)特征通道進(jìn)行加權(quán)，有效提取了番茄病毒病的關(guān)鍵特征，使得網(wǎng)絡(luò)更加關(guān)注重要特征通道，同時(shí)減少對(duì)無關(guān)信息的關(guān)注，從而提高了模型識(shí)別關(guān)鍵特征的能力。

6、作為本發(fā)明進(jìn)一步的方案，在yolov5-se-bifpn目標(biāo)檢測模塊中，初始學(xué)習(xí)率為0.01，學(xué)習(xí)率的動(dòng)量為0.9，每次訓(xùn)練的批量大小為8，輸入圖像的分辨率為640×640像素，迭代次數(shù)為300次，模型的性能檢測評(píng)估指標(biāo)為precision、recall和map，precision表示正確檢測到的病害框的比例，map是目標(biāo)檢測模型性能的綜合評(píng)價(jià)指標(biāo)，同時(shí)考慮了precision和recall。

7、作為本發(fā)明進(jìn)一步的方案，在圖像采集模塊中，紅蕓豆褐斑病、細(xì)菌性疫病田間采樣區(qū)域采用隨機(jī)取樣法確定，圖像采集時(shí)間為上午11:00至下午14:00，初始采集的圖片像素大于等于2600萬像素。

8、作為本發(fā)明進(jìn)一步的方案，在圖像預(yù)處理模塊中，利用高斯濾波去除圖像噪聲，利用直方圖均衡化，基于感興趣區(qū)域的自動(dòng)裁剪算法對(duì)圖像進(jìn)行裁剪，使得圖像調(diào)整為僅包含單葉，根據(jù)紅蕓豆褐斑病、細(xì)菌性疫病的特征，人工定位斑點(diǎn)區(qū)域，繪制矩形邊框并命名為褐斑區(qū)。

9、作為本發(fā)明進(jìn)一步的方案，在褐斑病及細(xì)菌性疫病數(shù)據(jù)分析模塊中，褐斑病及細(xì)菌性疫病病害擴(kuò)展趨勢分析公式利用對(duì)數(shù)函數(shù)有效處理當(dāng)前褐斑病、細(xì)菌性疫病總面積的增長趨勢，在初期增長較快的情況下，平滑急劇變化的數(shù)據(jù)，利用指數(shù)函數(shù)處理斑點(diǎn)數(shù)量的變化，及時(shí)捕捉斑點(diǎn)數(shù)量的變化情況，利用三角函數(shù)引入周期變化常數(shù)，考慮季節(jié)對(duì)褐斑病、細(xì)菌性疫病的影響，利用根值函數(shù)結(jié)合斑點(diǎn)總面積和斑點(diǎn)總數(shù)量的數(shù)據(jù)特征，使用sigmoid函數(shù)對(duì)最終結(jié)果數(shù)值進(jìn)行標(biāo)準(zhǔn)化，使得輸出數(shù)值在0到1之間，預(yù)設(shè)的斑病病害擴(kuò)展趨勢分析公式為：

10、;

11、式中：為紅蕓豆的褐斑病、細(xì)菌性疫病病害擴(kuò)展趨勢因子，為sigmoid函數(shù)，為當(dāng)前時(shí)刻，為時(shí)間時(shí)刻的病斑總面積，為時(shí)間時(shí)刻的病斑數(shù)量，為周期性常數(shù)，根據(jù)褐斑病、細(xì)菌性疫病發(fā)生的季節(jié)周期性設(shè)定，、、均為權(quán)重調(diào)節(jié)因子，通過擬合歷史數(shù)據(jù)進(jìn)行調(diào)整。

12、作為本發(fā)明進(jìn)一步的方案，在褐斑病及細(xì)菌性疫病數(shù)據(jù)分析模塊中，褐斑病及細(xì)菌性疫病病害嚴(yán)重程度分析公式利用當(dāng)前病斑總面積與最大病斑總面積對(duì)當(dāng)前病斑總面積進(jìn)行歸一化處理，使得面積特征對(duì)不同大小的病斑具有相同的尺度，對(duì)斑點(diǎn)數(shù)量取對(duì)數(shù)，減少斑點(diǎn)數(shù)量差異對(duì)結(jié)果的影響，平滑斑點(diǎn)數(shù)量的極端變化，利用當(dāng)前病斑周長與最大病斑周長對(duì)當(dāng)前病斑周長進(jìn)行歸一化處理，確保周長特征在不同周長病斑間具有數(shù)量級(jí)的一致性，利用sigmoid函數(shù)對(duì)最終結(jié)果數(shù)值進(jìn)行標(biāo)準(zhǔn)化，預(yù)設(shè)的褐斑病及細(xì)菌性疫病病害嚴(yán)重程度分析公式為：

13、;

14、式中：為紅蕓豆的褐斑病、細(xì)菌性疫病病害程度分析值，為當(dāng)前時(shí)間的病斑總面積，為當(dāng)前時(shí)間病斑總面積的最大值，為當(dāng)前時(shí)刻病斑的數(shù)量，為當(dāng)前時(shí)刻病斑的周長，為當(dāng)前時(shí)刻病斑周長的最大值，、、、為權(quán)重調(diào)節(jié)因子，通過歷史數(shù)據(jù)數(shù)值分析獲得。

15、作為本發(fā)明進(jìn)一步的方案，紅蕓豆褐斑病及細(xì)菌性疫病預(yù)測分析值的公式為：

16、;

17、式中：為紅蕓豆褐斑病及細(xì)菌性疫病預(yù)測分析值。

18、作為本發(fā)明進(jìn)一步的方案，數(shù)據(jù)顯示模塊為整個(gè)系統(tǒng)的監(jiān)控終端界面，實(shí)時(shí)顯示從田間采集到的紅蕓豆葉片圖像及其預(yù)處理結(jié)果，實(shí)時(shí)更新和展示yolov5-se-bifpn目標(biāo)檢測模塊識(shí)別出的病害圖像及特征，顯示褐斑病及細(xì)菌性疫病特征數(shù)據(jù)提取模塊提取的各類病斑特征數(shù)據(jù)，包括病斑位置信息、病斑面積、病斑數(shù)量、病斑周長，顯示褐斑病及細(xì)菌性疫病數(shù)據(jù)分析模塊的分析結(jié)果，包括病害擴(kuò)展趨勢因子、病害嚴(yán)重程度分析值以及紅蕓豆褐斑病及細(xì)菌性疫病預(yù)測分析值，提供歷史數(shù)據(jù)的圖表展示功能，便于用戶對(duì)比當(dāng)前病害情況與歷史情況，分析病害發(fā)展趨勢，支持按照時(shí)間段查看病害數(shù)據(jù)的變化情況，當(dāng)病害擴(kuò)展趨勢因子或病害嚴(yán)重程度分析值超過預(yù)設(shè)閾值時(shí)，自動(dòng)觸發(fā)報(bào)警，提醒用戶及時(shí)采取相應(yīng)的防治措施。

19、本發(fā)明相比于現(xiàn)有技術(shù)的技術(shù)效果和優(yōu)點(diǎn)：本發(fā)明通過物聯(lián)網(wǎng)技術(shù)和yolov5-se-bifpn目標(biāo)檢測模塊的結(jié)合，能夠?qū)崟r(shí)監(jiān)控紅蕓豆褐斑病、細(xì)菌性疫病的發(fā)展情況，使得數(shù)據(jù)采集和傳輸更加高效，實(shí)現(xiàn)了對(duì)紅蕓豆田間病害的實(shí)時(shí)監(jiān)測和分析，引入雙向特征金字塔網(wǎng)絡(luò)（bifpn）和擠壓與激勵(lì)（se）注意力機(jī)制，使得yolov5-se-bifpn目標(biāo)檢測模塊在保持高檢測速度的同時(shí)，能夠更加準(zhǔn)確地識(shí)別紅蕓豆褐斑病、細(xì)菌性疫病的病害區(qū)域，通過對(duì)每個(gè)特征通道進(jìn)行加權(quán)計(jì)算，優(yōu)化了紅蕓豆單葉褐斑病、細(xì)菌性疫病特征的表達(dá)，提高了模型的識(shí)別精度和穩(wěn)定性，褐斑病及細(xì)菌性疫病特征數(shù)據(jù)提取模塊和褐斑病及細(xì)菌性疫病數(shù)據(jù)分析模塊通過提取病斑的位置信息、面積、數(shù)量、周長的特征數(shù)據(jù)，利用預(yù)設(shè)的公式進(jìn)行病害擴(kuò)展趨勢和病害嚴(yán)重程度的分析，提供了全面的病害信息，能夠更好地輔助農(nóng)業(yè)管理者進(jìn)行決策，有效預(yù)防和控制病害的蔓延。