一种基于Transformer混合架构的作物病害识别模型制造技术

本发明专利技术提供一种基于Transformer混合架构的轻量级作物病害识别模型，包括基于Transformer混合架构的作物病害识别模型的训练模块、和基于Transformer混合架构的作物病害识别模型的识别模块。本发明专利技术使用卷积神经网络和Transformer相结合的方式进行特征提取和患病类别诊断，具有模型精度高、速度快、消耗算力小的优点，可以更快、更准、更便携地应用于作物病害的自动识别。物病害的自动识别。物病害的自动识别。

【技术实现步骤摘要】
一种基于Transformer混合架构的作物病害识别模型


[0001]本专利技术属于基于深度学习的图像分类领域，具体涉及一种作物病害识别模型。

技术介绍

[0002]目前识别作物病害的方法主要分为三类，分别是人工识别法、实验室鉴定方法，基于计算机视觉的识别方法。由于作物品种繁多，症状相似，有经验的农民也可能无法正确识别作物疾病，因而人工识别方法无法满足实际需求。实验室鉴定方法提取患病作物的DNA序列，使用PCR方法进行病害诊断；虽然准确性极高，但成本高，速度慢，完全不满足实时检测的需求。因此，基于计算机视觉的作物病害识别方法，由于其成本低、速度快、准确性强的特性，逐渐成为现阶段的研究热点。
[0003]目前基于计算机视觉的识别作物病害的模型分为三类，分别是，传统机器学习模型，卷积神经网络，Transformer模型。传统机器学习模型，通过人为对叶片病害的特征进行提取，将提取后的特征输入到不同分类器中，从而对叶片病害种类进行诊断。尽管这些ML模型在特定的任务上可以达到很高的准确率，但识别性能受限于特征提取方法的设定。同时由于其固定的特征提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Transformer混合架构的作物病害识别模型，其特征在于，包括以下模块：基于Transformer混合架构的作物病害识别模型的训练模块；基于Transformer混合架构的作物病害识别模型的识别模块。2.根据权利要求1所述的模型，其特征在于，所述模型的软件平台使用Pytorch框架开发并搭建。3.根据权利要求2所述的模型，其特征在于，所述软件平台主要采用python进行编程，所述软件平台的主要模块有：数据加载模块、模型训练模块、网络模型模块、可视化模块。4.根据权利要求1所述的模型，其特征在于，在所述基于Transformer混合架构的作物病害识别模型的训练模块之前还包括农作物病害图像的采集和预处理模块，其工作步骤为：农作物病害图像的采集：获取田间环境下不同病害种类的原始农作物图像样本集，记为X＝{X1，X2,
…
,X
n
}，其中，X
n
表示第n张作物图像样本，n＝1,2,
…
,N，并记录X
n
所对应的病害种类标签，即Y
n
，n＝1,2,
…
,N；采集到的农作物病害图像的预处理：随机选择12种数据增强方法，对采集到的农作物病害图像进行数据增强，将增强后的数据缩放为224
×
224像素，按照7:2:1的比例将其分为训练集、验证集和测试集。5.根据权利要求4所述的模型，其特征在于，所述采集到的农作物病害图像的预处理中的12种数据增强方法包括：平移变换、高斯模糊、随机旋转、垂直翻转、随机裁剪、噪声扰动、对比度变换、缩放变换、尺度变换、色彩抖动、随机灰度化、随机光照变换。6.根据权利要求1所述的模型，其特征在于，所述基于Transformer混合架构的作物病害识别模型的训练模块的工作步骤为：定义所述Transformer混合架构的网络模型，包括轻量级卷积神经网络模块和轻量级Transformer模块；其中，轻量级卷积神经网络模块负责提取浅层特征，轻量级Transformer模块负责对提取的浅层特征进行编码，使模型具有全局感知；将轻量级Transformer模块嵌入到轻量级卷积神经网络架构中，构成基于Transformer混合架构的作物病害识别模型；将经过预处理后的数据中的训练集和验证集作为输入图像，将Y
n
作为识别目标，训练基于Transformer混合架构的作物病害识别模型。7.根据权利要求6所述的模型，其特征在于，所述轻量级卷积神经网络由膨胀卷积模块和一系列深度可分离卷积层、一个卷积层、一个全局平均池化层、一个全连接层组成；...

【专利技术属性】
技术研发人员：李修华，李雪晨，张诗敏，张木清，张桂英，
申请(专利权)人：广西大学，
类型：发明
国别省市：