【技术实现步骤摘要】
一种基于多尺度轻量级网络的病虫害识别方法
[0001]本专利技术涉及深度学习
，尤其涉及一种基于多尺度轻量级网络的病虫害识别方法。
技术介绍
[0002]农作物病虫害是造成农业减产的主要原因。真实环境下拍摄的农作物病虫害图像背景复杂，病害区域较小，严重影响识别的鲁棒性和准确性。深度学习不仅具有很强的学习能力，而且可以自动提取图像中丰富、抽象、深层次的语义信息，在很大程度上优于传统的农作物病虫害识别方法。当前基于卷积神经网络的分类模型朝向了更深或更复杂的结构演进。虽然在一定程度上取得不错的效果，但是深层意味着网络模型具有更多的参数，这不仅增加了计算开销，同时对计算机硬件设备要求更高，不利于模型的部署与应用。现有技术专利CN114463651A公开了一种基于超轻量级高效卷积神经网络的农作物病虫害识别方法，使用深度可分离卷积模块进行高效的图片高维特征提取，结合空间金字塔池化层进行局部全局的特征保持，然后将其放入到全连接分类器中进行分类训练。该专利采用由5个基本模块组成的超轻量级高效卷积神经网络结构进行训练，训练的方法特征的提取、表达、传播效果不够优异，而对于训练集的训练十分重要，需要保证训练过程特征提取、表达、传播效果优异，从而保证训练的效果，从而保证识别的准确性，因此需要设计一种训练方法优异的识别方法。
技术实现思路
[0003]为解决上述问题，本专利技术提供一种基于多尺度轻量级网络的病虫害识别方法，包含有：步骤1，采集病虫害图像，再进行预处理，之后分为训练集、验证集和测试集；步骤2，将步骤1得的训...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，包含有：步骤1，采集病虫害图像，再进行预处理，之后分为训练集、验证集和测试集；步骤2，将步骤1得的训练集输入到多尺度轻量级网络进行训练，多尺度轻量级网络包含特征增强层、通道分离（split）
‑
洗牌（shuffle）模块、双残差路径模块、全局注意力上采样模块和分类层；首先利用特征增强层提取多尺度特征：通过特征增强层最大程度提取病虫害图像特征，其次利用通道分离（split）
‑
洗牌（shuffle）模块提升特征表达能力，接着利用双残差路径模块学习不同尺度空间的判别信息，增强特征传播和梯度传播；然后利用全局注意力上采样模块融合多尺度特征，通过聚集低层次的空间细节，对空间和通道关注点进行编码，重新校准特征通道的显著性；最后把融合的特征送入分类层进行病虫害分类；步骤3，在步骤2的训练过程中，把步骤1获得的验证集输入到多尺度轻量级网络，对多尺度轻量级网络进行优化和性能评估；步骤4，重复步骤2和3，当训练结束且损失达到收敛状态时，保留在验证集上性能最好的多尺度轻量级网络；步骤5，把步骤1得到的测试集输入步骤4获得的训练好的多尺度轻量级网络中，得到最终的病虫害识别结果。2.根据权利要求1所述的一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，所述步骤1包括：首先利用无人机拍摄不同种类的病虫害图像，去除模糊、失焦、主体丢失的图像后，根据该领域专家知识对剩余图像进行标记；再对上述标记好的病虫害图像数据集进行预处理，包含图像尺寸调整、灰度变换、图像滤波和图像锐化，并采用图像旋转、缩放、噪声和色彩抖动等数据增强方法进一步扩充图像数据集，之后按照7：2：1的比例将其分为训练集、验证集和测试集。3.根据权利要求1所述的一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，步骤2所述的特征增强层包括卷积层、ReLU激活层、BN层和池化层，所述的利用特征增强层提取多尺度特征的工作方法如下：首先利用两个大小为1
×1×
2的三维卷积层提取像素级特征；其次利用两个大小分别为1
×
5和5
×
1的卷积核，以较小的计算量获得与单个卷积核尺寸为5
×
5的等效感受野，来提取区域级特征；依次经过BN层和ReLU激活层，通过残差操作融合像素级特征和区域级特征；再经过大小为1
×
1的卷积层提取融合特征Ff；然后利用两个大小为2
×
1和1
×
2的二维最大池化层提取图像级特征；再依次经过BN层和ReLU激活层，把图像级特征和融合特征Ff通过残差操作融合，经过大小为1
×
1的卷积层后得到最终输出特征。4.根据权利要求1所述的一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，步骤2所述的通道分离（split）
‑
洗牌（shuffle）模块包括卷积层、扩张卷积层、BN层和ReLU激活层；所述的利用通道分离（split）
‑
洗牌（shuffle）模块提升特征表达能力的工作方法如下：输入被分成两个分支，各有一半的输入通道；首先，两个分支分别经过大小为1
×
3和3
×
1的卷积层，BN层和ReLU激活层；其次，两个分支分别经过大小为1
×
3和3
×
1的扩张卷积层，BN层和ReLU层，扩张卷积层用于增加接收域；接着，拼接两个分支的输出特征，把拼接后
的特征和输入特征通过残差操作融合后送入ReLU激活层；最后，进行通道洗牌操作，得到输出特征图。5.根据权利要求1所述的一种基于多尺度...
【专利技术属性】
技术研发人员：储娇，左欣，钱萍，徐士豪，李明，王智，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。