结合注意力机制与双向特征融合的叶片病害检测方法技术

本发明专利技术公开结合注意力机制与双向特征融合的叶片病害检测方法，包括以下步骤：S1：采集植物叶片病害图像进行预处理；S2：将预处理后的图像传入预训练的神经网络Resnet101中，获得初步特征图C1

【技术实现步骤摘要】
结合注意力机制与双向特征融合的叶片病害检测方法


[0001]本专利技术属于植物病害检测领域，具体涉及结合注意力机制与双向特征融合的叶片病害检测方法。

技术介绍

[0002]中国是世界第二大农业国，并且有成为第一农业大国的的趋势，然而在农业生产中，植物的病害是阻碍中国农业发展的重要原因之一，植物病害的产生会对食品安全具有灾难性的影响，它可以直接导致农作物的质量和产量显著下降。植物病害一般会存在感染速度快、蔓延面积广、影响范围大等问题，所以为了避免损失，植物病害的检测必须快速、及时与准确。但是目前国内对植物叶片病害的判别分类方式多数仍停留在传统的实地目测方式，即专业人员到达现场通过肉眼观测判别病虫害种类，因此代价大、效率低、准确率低，且需要现场操作。因此，提出一种快速检测植物病害的方法具有重要意义。
[0003]近年来，目标检测算法在多个领域表现优异，能更加智能化、快速化地监测、筛选、检测。在国内研究中，如现有文献“基于Faster
‑
RCNN的肺结节检测算法[J]，宋尚玲等，中国生物医学工程学报，39卷2期2020年4月”，为了应对目前的肺结节检测中存在的个体差异、同病异影、同影异病的问题，提出一种大样本条件下的基于Faster
‑
RCNN的肺结节检测算法，其检测准确率最高可达90.82％；如现有文献“一种优化的FasterR－CNN小目标检测方法[J]，程瑞等，测绘通报，2021(9)：21
‑
27”，为了开展武汉市车辆变化监测，分析武汉市内部活动强度，采用了FasterR
‑
CNN深度学习算法和相关图像处理算法，其车辆目标检测精确率为0.96，召回率为0.92，平均精度为0.85。
[0004]在国外研究中，ZHANG等为了提高行人检测的精度，提出了一种基于tiny
‑
yolov3的实时行人检测算法，其在训练集中使用K
‑
means聚类来寻找最佳先验，改进了tiny
‑
yolov3的网络结构，使其在行人检测中更加准确，该方法在满足实时性的前提下具有较高的检测精度；MAO等针对交通监控视频中多尺度车辆目标检测困难、目标重叠容易漏检等问题，提出了一种改进的基于YOLOv3的车辆目标检测方法，其对不同场景下不同尺度的车辆目标都有较好的检测效果。
[0005]传统的MaskRCNN网络结构的组成部分包括：骨干特征网络(Backbone)，Backbone由Resnet101和特征金字塔(FPN)两部分组成；区域候选网络(RPN)；兴趣区域(ROI Align)；全连接层的三个分支：分类器和边框回归器、Mask掩码分支，在该全连接层可以得到网络的输出(边界框、类别、掩膜)，其基本结构如图1所示，但基于传统MaskRCNN网络模型的目标检测方法主要存在以下缺陷：
[0006](1)传统的MaskRCNN网络，其FPN在特征融合的过程中，只能实现简单的单向特征融合，只能实现将高层的语义信息传递给低层，而无法实现低层的位置信息传递给高层；
[0007](2)在特征提取的过程中，网络不仅关注有用的病害目标信息，还会关注无用的背景信息，降低检测数据的精准性，影响检测效果；
[0008](3)传统的MaskRCNN使用NMS筛选候选框的方式将预测框的置信度作为排序依据，
导致某些置信度低但定位更精确的预测框反而被抑制，会对预测的准确率产生影响。
[0009]此外，目标检测算法在农业病害检测领域中的应用仍较为罕见。
[0010]基于上述，本专利技术创造性地提出一种结合注意力机制与双向特征融合的MaskRCNN叶片病害算法，为植物叶片病害检测提供了一种有效可行的方法。

技术实现思路

[0011]针对传统的MaskRCNN网络检测小目标病害时会出现特征丢失和特征混淆的情况，本专利技术提出了结合注意力机制的双向特征融合的叶片病害检测方法，该方法相对于传统的MaskRCNN做出的改进有：
[0012](1)把MaskRCNN网络中原本的FPN替换为PAFPN(双向特征融合金字塔)，使得MaskRCNN在特征融合阶段用双向特征融合的方式替代简单的单向特征融合方式，不仅使得浅层特征可以感受到深层的语义信息，还可以让深层的特征感受到浅层丰富的位置信息，提升了特征的融合效果，减少特征信丢失的影响，提升多尺度检测的性能。
[0013](2)为了提高对小目标检测的效果，在特征融合后引入CBAM注意力机制模块，提升网络的特征图局部信息的关注。该模块通过学习的方式在空间和通道上对特征图像进行权重分配，促使计算资源更倾向于重点关注的目标区域，从而加强感兴趣的信息，抑制无用信息，进一步提升网络对目标特征的提取效果。
[0014](3)针对部分叶片病害面积较小，数量过多时就会出现过于密集的情况，传统的Mask RCNN对于过于密集的目标容易出现误检和漏检的情况，故将MaskRCNN原有的非极大值抑制(Non
‑
Maximum
‑
Suppression，NMS)，替换成软阈值(SoftNon
‑
Maximum
‑
Suppression，Soft
‑
NMS)，改变NMS过滤候选框的方式，有效降低传统MaskRCNN漏检、误检的概率，提高定位的精度。
[0015]本专利技术的技术方案概述如下：
[0016]结合注意力机制与双向特征融合的叶片病害检测方法，包括以下步骤：
[0017]S1：采集植物叶片病害图像，建立叶片病害数据集，并输入图像，再进行统一尺寸和归一化处理，完成数据的预处理；
[0018]S2：将预处理后的图像传入预训练的神经网络Resnet101中，获得初步特征图C1、C2、C3、C4、C5；
[0019]S3：对初步特征图C1、C2、C3、C4、C5进行自顶向下融合，获得特征图P2、P3、P4、P5、P6；
[0020]S4：对特征图P2
‑
P6进行自底向上融合，获得特征图N2
‑
N5；
[0021]S5：对于PAFPN输出的特征，使用CBAM注意力模块进行再一次的特征提取，获得特征图信息更丰富的featuremap；
[0022]S6：通过区域候选框网络RPN生成候选框，并计算候选框和真实框的IOU，再设置IOU的上下阈值，IOU大于上阈值为正样本，IOU小于阈值为负样本，并从正、负样本中各选取128个样本进行特征训练，调优RPN网络层参数；
[0023]S7：对RPN输出的候选框通过Soft
‑
NMS进行筛选；
[0024]S8：通过featuremap中的每一点设定ROI，获得多个ROI候选框；
[0025]S9：将所得ROI通过ROIAlign池化操作以固定大小格式，输出ROI区域；
[0026]S10：对所得ROI区域进行N类别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.结合注意力机制与双向特征融合的叶片病害检测方法，其特征在于，包括以下步骤：S1：采集植物叶片病害图像，建立叶片病害数据集，并输入图像，再进行统一尺寸和归一化处理，完成数据的预处理；S2：将预处理后的图像传入预训练的神经网络Resnet101中，获得初步特征图C1、C2、C3、C4、C5；S3：对初步特征图C1、C2、C3、C4、C5进行自顶向下融合，获得特征图P2、P3、P4、P5、P6；S4：对特征图P2
‑
P6进行自底向上融合，获得特征图N2
‑
N5；S5：对于PAFPN输出的特征，使用CBAM注意力模块进行再一次的特征提取，获得特征图信息更丰富的feature map；S6：通过区域候选框网络RPN生成候选框，并计算候选框和真实框的IOU，再设置IOU的上下阈值，IOU大于上阈值为正样本，IOU小于阈值为负样本，并从正、负样本中各选取128个样本进行特征训练，调优RPN网络层参数；S7：对RPN输出的候选框通过Soft
‑
NMS进行筛选；S8：通过feature map中的每一点设定ROI，获得多个ROI候选框；S9：将所得ROI通过ROI Align池化操作以固定大小格式，输出ROI区域；S10：对所得ROI区域进行N类别分类、BB回归，并生成Mask；S11：最后，评估计算模型的评价指标。2.根据权利要求1所述的结合注意力机制与双向特征融合的叶片病害检测方法，其特征在于，所述植物叶片病害图像包括火龙果叶片病害图像、肾蕨叶片病害图像、铁线蕨叶片病害图像、水稻叶片病害图像、小麦叶片病害图像、芦荟叶片病害图像、绿萝叶片病害图像、君子兰叶片病害图像、发财树叶片病害图像。3.根据权利要求1所述的结合注意力机制与双向特征融合的...

【专利技术属性】
技术研发人员：王骥，马晓慧，覃嘉俊，郑诗雨，麦仁贵，周涛，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：