一种农作物病害识别方法、系统、装置和存储介质制造方法及图纸

本发明专利技术公开了一种农作物病害识别方法、系统、装置和存储介质，其中方法包括：获取农作物病害数据集，对数据集进行预处理和数据扩增，得到预处理后的数据集；构建病害识别模型，采用获得的数据集对所述病害识别模型进行训练，将训练后的模型用于农作物病害识别；其中，所述病害识别模型以CSPResNet50作为主干网络，并将主干网络中的残差块用金字塔卷积替代其中的3

【技术实现步骤摘要】
一种农作物病害识别方法、系统、装置和存储介质


[0001]本专利技术涉及农作物病害图像识别
，尤其涉及一种农作物病害识别方法、系统、装置和存储介质。

技术介绍

[0002]在传统的农业生产实践过程中，由于社会基层农技人员的流失和农民缺乏相关的专业知识，农民对农作物病害主要根据经验通过肉眼观察，随后做出主观判断，但这种方法收效甚微，无法做出精准判断，极易造成化学农药的滥用，进而严重影响农作物的质量和产出，造成经济损失和不必要的环境污染。
[0003]传统的农作物病害图像识别过程主要包括4部分。首先是图像的预处理，包括图片的尺寸缩放、去噪和直方图均衡化等；接着是对图像的分割，以去除图像中与病斑识别无关的信息；然后是进行特征提取，通过一系列的算法来提取农作物病害图像中的纹理，颜色和形状特征；最后通过支持向量机、K近邻、贝叶斯分类和K
‑
means等机器学习算法进行病害分类。但这种方法依然存在着诸多弊端：首先图像的预处理过程非常的耗时；再者，其农作物病害特征提取绝大部分依赖于人工干预，不能保证病害特征的准确度；最后传统的机器学习算法需要大量的数据，且难以训练。这些局限性直接导致传统方法无法直接适用实际场景下的农作物病害识别。
[0004]近年来，因深度学习技术的迅猛发展，其在农作物病害识别领域取得了诸多进展并得到了广泛应用。其中不乏使用注意力机制和融合多尺度信息的网络，但它们都或多或少的引入额外的计算量，使模型的参数量增大，在训练过程中网络难以收敛。
[0005]综上所述，有必要提出一种新的农作物病害识别网络，充分利用多个不同尺度间的特征，融合不同尺度间的上下文信息，以提升网络模型的识别准确度。

技术实现思路

[0006]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种基于金字塔卷积和注意力机制的农作物病害识别方法、系统、装置和存储介质。
[0007]本专利技术所采用的技术方案是：
[0008]一种农作物病害识别方法，包括以下步骤：
[0009]获取农作物病害数据集，对数据集进行预处理和数据扩增，得到预处理后的数据集；
[0010]构建病害识别模型，采用获得的数据集对所述病害识别模型进行训练，将训练后的模型用于农作物病害识别；
[0011]其中，所述病害识别模型以CSPResNet50作为主干网络，并将主干网络中的残差块用金字塔卷积替代其中的3
×
3卷积，以在不增加计算量和模型大小的情况下，增大卷积核的感受野，提高网络模型对多尺度信息的提取能力，融合不同大小感受野的特征信息来提高模型的整体性能；在主干网络的残差块中，添加注意力机制模块，以建立特征图通道间的
依赖关系和像素点之间的相关性，使模型更加关注重要的病害特征，弱化不相关的干扰因素，以提高模型对农作物的病害识别能力。
[0012]进一步地，所述对数据集进行预处理和数据扩增，包括：
[0013]对数据集中的图像进行随机裁剪、随机水平翻转、随机旋转或者随机擦除；
[0014]对数据集中的图像进行归一化处理，训练过程中将输入图片的大小统一调整为224
×
224。
[0015]进一步地，所述金字塔卷积由S组不同大小的卷积核构成，并且使用分组卷积来减少计算量，具体的计算过程表达式如下所示：
[0016]X
i
＝Split
S
(X)
[0017]k
i
＝2(i+1)+1
[0018][0019][0020]F＝Concat(F0，F1，
…
，F
S
‑1)
[0021]其中，i＝0，1，2，
…
，S
‑
1，X∈R
C
×
H
×
W
表示输入特征图，Split
S
表示将输入特征图按通道维度均匀划分为S组，X
i
∈R
C
′×
H
×
W
表示经划分后的输入特征图，其中k
i
表示第i组卷积核的大小，G
i
为卷积核大小为k
i
的卷积分组数，表示大小为k
i
，分组数为G
i
的卷积核，F
i
∈R
C
′×
H
×
W
表示经卷积核大小为k
i
运算后的特征图，Concat表示特征拼接操作，F∈R
C
×
H
×
W
表示经金字塔卷积后的输出特征图。
[0022]进一步地，在不引入额外参数量的情况下，采用通道注意力单元以建立特征图通道间的依赖关系，采用空间注意力单元以建立像素点之间的相关性，并对输入特征图进行通道维度上的分组，分成多个子特征图，具体的计算过程表达式如下所示：
[0023]X
k
＝Split
G
(X)
[0024](X
k1
，X
k2
)＝Split2(X
k
)
[0025]X
′
k1
＝U
CA
(X
k1
)
[0026]X
′
k2
＝U
SA
(X
k2
)
[0027]X
′
k
＝Concat(X
′
k1
，X
′
k2
)
[0028]X
′
＝ChannelShuffle(Concat(X
′1，X
′2，
…
，X
′
G
))
[0029]其中，k＝1，2，
…
，G，X∈R
C
×
H
×
W
表示输入特征图，Split
G
表示将输入特征图按通道维度均匀划分为G组，表示为每个子特征图按通道均匀划分为两部分，U
CA
表示为通道注意力单元，U
SA
表示为空间注意力单元，分别表示为通道注意力单元和空间注意力单元的输出，Concat表示特征拼接操作，ChannelShuffle表示为通道混洗操作，X
′
∈R
C
×
H
×
W
表示为把所有子特征图拼接然后经通道混洗操作后的输出特征图。
[0030]进一步地，所述注意力机制模块包括通道注意力单元和空间注意力单元，具体计算过程表达式如下所示：
[0031]U
CA
＝σ(W1(P
AVG
(X)+P
MAX
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种农作物病害识别方法，其特征在于，包括以下步骤：获取农作物病害数据集，对数据集进行预处理和数据扩增，得到预处理后的数据集；构建病害识别模型，采用获得的数据集对所述病害识别模型进行训练，将训练后的模型用于农作物病害识别；其中，所述病害识别模型以CSPResNet50作为主干网络，并将主干网络中的残差块用金字塔卷积替代其中的3
×
3卷积；在主干网络的残差块中，添加注意力机制模块。2.根据权利要求1所述的一种农作物病害识别方法，其特征在于，所述对数据集进行预处理和数据扩增，包括：对数据集中的图像进行随机裁剪、随机水平翻转、随机旋转或者随机擦除；对数据集中的图像进行归一化处理，训练过程中将输入图片的大小统一调整为224
×
224。3.根据权利要求1所述的一种农作物病害识别方法，其特征在于，所述金字塔卷积由S组不同大小的卷积核构成，并且使用分组卷积来减少计算量，具体的计算过程表达式如下所示：X
i
＝Split
S
(X)k
i
＝2(i+1)+1＝2(i+1)+1F＝Concat(F0,F1,
…
,F
S
‑1)其中，i＝0,1,2,
…
,S
‑
1，X∈R
C
×
H
×
W
表示输入特征图，Split
S
表示将输入特征图按通道维度均匀划分为S组，X
i
∈R
C
′×
H
×
W
表示经划分后的输入特征图，其中k
i
表示第i组卷积核的大小，G
i
为卷积核大小为k
i
的卷积分组数，表示大小为k
i
，分组数为G
i
的卷积核，F
i
∈R
C
′×
H
×
W
表示经卷积核大小为k
i
运算后的特征图，Concat表示特征拼接操作，F∈R
C
×
H
×
W
表示经金字塔卷积后的输出特征图。4.根据权利要求1所述的一种农作物病害识别方法，其特征在于，所述注意力机制模块，在不引入额外参数量的情况下，采用通道注意力单元以建立特征图通道间的依赖关系，采用空间注意力单元以建立像素点之间的相关性，并对输入特征图进行通道维度上的分组，分成多个子特征图，具体的计算过程表达式如下所示：X
k
＝Split
G
(X)(X
k1
,X
k2
)＝Split2(X
k
)X
′
k1
＝U
CA
(X
k1
)X
′
k2
＝U
SA
(X
k2
)X
′
k
＝...

【专利技术属性】
技术研发人员：熊静远，史景伦，王鹏，
申请(专利权)人：广东微步智能科技有限公司，
类型：发明
国别省市：