本发明涉及农业，具体的说，是涉及一种基于改进yolov7的植株害虫和虫卵检测方法。
背景技术：
1、各类虫子从春季虫卵开始固定在农作物枝叶或土壤中，到破壳而出，吸取农作物汁液为害农作物，造成农作物发芽稀少、芽叶瘦小，影响农作物的生长。农业园如果管理不当，干预不及时，会在5至8月进入虫害集中爆发期。虫害一旦爆发，不止叶芽、叶片会受到伤害，还会危害农作物枝干皮层，虫害蛀入枝干而形成孔渣，破坏输导组织。轻者影响植株生长，重者植株的叶片被吃光、枝干枯死。
2、农业园中的害虫问题是农业生产中的一大挑战，如果不及时有效地进行防治，将会对农作物的生长产生严重的影响。传统的农业园对害虫的识别主要还是靠肉眼判断，这种做法不仅费人工，而且识别精度低，识别周期长。
3、为此，人们引入摄像头代替人眼，实时监测病虫害对农作物的影响。例如专利申请号cn202210056431.4公开的一种农作物病虫害的监测方法，利用摄像头实时拍摄农作物上的病害信息；再利用捕虫器引诱、集中害虫，配合另一摄像头获取害虫信息。可见，现有技术需要采用诱捕方式引诱害虫，集中后才能进行拍摄，因为害虫目标物小，难以直接拍摄。而病害检测模块拍摄到的农作物上的病害信息，可识别目标物较大，此时农作物已经遭受了一定破坏。
4、因此，若采用现有农业虫害监测技术，由于害虫目标物小，无法直接在叶片上检测到害虫和虫卵，不能很好地提前预防农业园虫害。
5、以上问题，值得解决。
技术实现思路
1、为了解决由于农作物害虫及虫卵目标过小、识别精度低，导致现有虫害监测方法无法直接在农作物上检测害虫和虫卵的问题，本发明提供一种基于改进yolov7的植株害虫和虫卵检测方法。
2、本发明技术方案如下所述：
3、基于改进yolov7的植株害虫和虫卵检测方法，包括以下步骤：
4、步骤1、搭建植株害虫和虫卵数据集
5、通过网络收集和实景拍摄，获取害虫和虫卵的图像数据，使用标签工具打上标签，构成害虫和虫卵数据集；所述数据集包括训练集和验证集；
6、步骤2、建立改进yolov7的目标检测模型
7、在yolov7网络结构中增加微小型目标检测层构建目标检测模型；微小型目标检测层包括主干网络和头部特征融合预测网络；所述主干网络包括若干g-elan模块；
8、步骤3、对训练集的图像进行数据预处理
9、数据预处理包括数据增强和数据基础变换，以增加数据的随机性和多样性，生成多样性的样本，扩充数据集；
10、步骤4、对目标检测模型进行训练
11、利用经步骤3预处理过的训练集，对步骤2的目标检测模型进行训练；
12、步骤5、输入待检测图片至训练后的目标检测模型，输出检测结果。
13、根据上述方案的本发明，数据增强包括马赛克数据增强、随机翻转和随机裁剪，基础变换包括归一化和缩放，具体步骤包括：
14、步骤a.从训练集中随机选择四张图像；
15、步骤b.随机确定四张图像的拼接布局，根据所述拼接布局将四张图像拼接成一个马赛克图像；
16、步骤c.获知马赛克图像中的每个目标，并根据目标在马赛克中的相对位置，调整其在原始图像中的位置标签；
17、步骤d.对合成的马赛克图像执行随机翻转、随机裁剪的操作；
18、步骤e.将图像的像素值归一化到(0,1)范围内；
19、步骤f.对图像进行缩放操作，同时保持目标的相对比例，以调整图像的尺寸，适应目标检测模型的输入要求。
20、优选的，所述目标指的是害虫和/或虫卵。
21、优选的，所述位置标签包括用于描述目标位置信息的边界框，所述边界框与目标的轮廓相切。
22、根据上述方案的本发明，所述主干网络用于对图像进行特征提取，依次由五个部分组成；
23、且第一部分由2个cbl模块堆叠组成；第二部分由1个g-elan模块组成；第三部分至第五个部分均由1个最大池化层和1个g-elan模块堆叠组成；
24、每一个g-elan模块经cbl模块输出一个特征，并分别输入所述头部特征融合预测网络。
25、进一步的，所述g-elan模块包括2个分支，第一分支包括1个1x1的g-cbs模块；第二分支包依次括1个1x1的g-cbs模块和1个3x3的g-cbs模块；
26、输入g-elan模块的原特征图经过第一分支后输出和第二分支后输出两个特征图，并且与原特征图、第二分支上1x1的g-cbs模块输出的特征图做通道维度上的拼接；
27、拼接后再经过一个cbl模块，作为g-elan模块的输出。
28、更进一步的，所述cbl模块依次由卷积层、批归一化层、leaky-relu激活函数组成。
29、更进一步的，所述g-cbs模块依次由ghost卷积层，批归一化层和silu激活函数构成。
30、根据上述方案的本发明，所述头部特征融合预测网络包括sppf模块、若干g-cbs模块，若干g-elan模块、若干cu模块和若干cbl模块；
31、所述主干网络输出的第四特征经过sppf模块后与自身做通道维度上的拼接后，再经过一个g-cbs模块，得到第一提取特征；
32、第一提取特征经过一个cu模块后，与所述主干网络输出的第三特征做堆叠融合，再经过一个g-elan模块得到第二提取特征；
33、第二提取特征经过一个cu模块后，与所述主干网络输出的第二特征做堆叠融合，再经过一个g-elan模块得到第三提取特征；
34、第三提取特征经过一个cu模块后，与所述主干网络输出的第一特征做堆叠融合，再经过一个g-elan模块得到第四提取特征；
35、且第三提取特征还经过一个cbl模块后得到第五提取特征，第五提取特征与第二提取特征做堆叠融合，再经过一个g-elan模块得到第六提取特征；
36、第六提取特征经过一个cbl模块后与第一提取特征做堆叠融合，再经过一个g-elan模块得到第七提取特征。
37、优选的，所述cu模块包括1个cbl模块、一个上采样层。
38、更进一步的，所述sppf模块依次包括cbl模块、若干池化核由小到大排列的最大池化层、g-cbs模块，且每一个最大池化层的输出做堆叠融合后经过g-cbs模块输出。
39、更进一步的，所述头部特征融合预测网络还将多层特征融合提取到的第四提取特征、第五提取特征、第六提取特征、第七提取特征分别经过一个g-cbs模块和一个cbl模块后，输出作为yolov7算法中检测头的输入，实现对四类大小不同的目标检测。
40、根据上述方案的本发明，步骤1中，所述实景拍摄的步骤为：通过若干摄像头，至少从上下两个不同视角拍摄植株及其叶片，采集出若干种害虫和虫卵的类型。
41、根据上述方案的本发明，步骤4中，使用yolov7官方提供的yolov7_training.pt作为预训练权重进行训练，训练参数为：训练周期300轮次，批量大小为16，学习率设置为0.001。
42、根据上述方案的本发明，所述数据集还包括验证集，所述训练集、所述验证集和所述测试集的比例为8：1：1。
43、进一步的，步骤4之后还包括：步骤401、将测试集输入至训练好的目标检测模型中进行测试。
44、根据上述方案的本发明，其有益效果在于：
45、本发明的目标检测模型将yolov7网络结构中的高效聚合网络模块(elan模块)中传统卷积模块替换成ghost卷积层，成为基于灵魂卷积的高效聚合网络模块(g-elan模块)；ghost卷积模块利用少量的卷积核对输入特征图进行特征提取，然后进一步地对这部分特征图进行更价廉的线性变化运算，最后通过拼接操作生成最终的特征图；不仅大幅降低了网络参数量，在满足模型轻量化的同时，还可以加快原始网络推理速度；在减小计算量的同时保证准确率，增强了模型的学习能力，从而实现模型识别精度高、识别速度快，解决了农作物害虫及虫卵目标过小、识别精度低的问题；
46、本发明还在yolov7网络结构中增加微小型目标检测层，微小型目标检测层的主要组成部分为：g-elan模块、g-cbs模块和cbl模块，有效保留了低层次的细节特征，有效提升了小型目标检测性能；
47、进一步的，在空间池化金字塔模块将池化输入改为上一池化层的输出，构成快速空间池化金字塔，通过最大池化来增大感受野，使得算法适应不同的分辨率图像；快速空间池化金字塔有效降低了模型的计算量，模型速度得到提升。
1.基于改进yolov7的植株害虫和虫卵检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进yolov7的植株害虫和虫卵检测方法，其特征在于，数据增强包括马赛克数据增强、随机翻转和随机裁剪，基础变换包括归一化和缩放，具体步骤包括：
3.根据权利要求1所述的基于改进yolov7的植株害虫和虫卵检测方法，其特征在于，所述位置标签包括用于描述目标位置信息的边界框，所述边界框与目标的轮廓相切。
4.根据权利要求1所述的基于改进yolov7的植株害虫和虫卵检测方法，其特征在于，所述主干网络用于对图像进行特征提取，依次由五个部分组成；
5.根据权利要求4所述的基于改进yolov7的植株害虫和虫卵检测方法，其特征在于，所述g-elan模块包括2个分支，第一分支包括1个1x1的g-cbs模块；第二分支包依次括1个1x1的g-cbs模块和1个3x3的g-cbs模块；
6.根据权利要求1或4所述的基于改进yolov7的植株害虫和虫卵检测方法，其特征在于，所述头部特征融合预测网络包括sppf模块、若干g-cbs模块，若干g-elan模块、若干cu模块和若干cbl模块；
7.根据权利要求6所述的基于改进yolov7的植株害虫和虫卵检测方法，其特征在于，所述sppf模块依次包括cbl模块、若干池化核由小到大排列的最大池化层、g-cbs模块，且每一个最大池化层的输出做堆叠融合后经过g-cbs模块输出。
8.根据权利要求6所述的基于改进yolov7的植株害虫和虫卵检测方法，其特征在于，所述头部特征融合预测网络还将多层特征融合提取到的第四提取特征、第五提取特征、第六提取特征、第七提取特征分别经过一个g-cbs模块和一个cbl模块后，输出作为yolov7算法中检测头的输入，实现对四类大小不同的目标检测。
9.根据权利要求1所述的基于改进yolov7的植株害虫和虫卵检测方法，其特征在于，步骤1中，所述实景拍摄的步骤为：通过若干摄像头，至少从上下两个不同视角拍摄植株及其叶片，采集出若干种害虫和虫卵的类型。
10.根据权利要求1所述的基于改进yolov7的植株害虫和虫卵检测方法，其特征在于，步骤4中，使用yolov7官方提供的yolov7_training.pt作为预训练权重进行训练，训练参数为：训练周期300轮次，批量大小为16，学习率设置为0.001。
