基于多尺度融合与CBAM-ResNet50的农作物病害分割方法、系统、设备及介质技术方案

基于多尺度融合与CBAM

【技术实现步骤摘要】
基于多尺度融合与CBAM
‑
ResNet50的农作物病害分割方法、系统、设备及介质


[0001]本专利技术涉及草莓病害分割
，具体涉及一种基于多尺度融合与CBAM
‑
ResNet50的农作物病害分割方法、系统、设备及介质。

技术介绍

[0002]农作物病害图像分割是病害检测和病害类型识别方法中的一个重要步骤，其分割效果直接影响到后续的检测和识别结果。由于农作物病害图像的形状和颜色复杂、多样、无规律且多变，图像分割技术能还原病害不规则分布区域，为后续病害类型识别与病害诊断提供有效依据，具有重要意义。之前农作物病害检测主要为传统人工检测，需要消耗大量的人力物力，且容易受到检测人员主观因素的影响，检测效率低，所以实现病害检测的自动化具有很高的研究价值和应用前景。
[0003]随着计算机视觉的发展，基于数字图像处理的目标检测方法被应用于农作物病害检测中。孙俊等改进Otsu算法，利用粒子群优化算法寻找最优阈值并用于生菜叶片分割。Zhang等、Wang等出了利用K
‑
means算法对图像进行分割处理，从分割图像中提取PHOG特征识别病害从而达到分割效果。Ma等提出了一种利用综合颜色特征进行蔬菜病害叶斑分割的方法，实现对病害叶片的病斑和杂波背景的强识别。上述基于传统图像处理方法需要进行特征提取和选择，然而，由于农作物病害图像病变区域非常复杂和不规则，传统的方法从图像中选择和提取出用于病害识别的最佳特征比较困难，传统病害检测成本高耗时长，因而网络的灵活性不高，应用范围有所限制。
[0004]近年来，由于深度学习具有更好的泛化性能，并且具备良好的抗噪声能力，逐渐被应用在病害的分割中。不同程度地实现了多尺度提取特征目标，提高模型的精度和分割速度，普适性较好，泛化性较强。王翔宇等结合黄瓜褐斑病可见光谱图像，利用U
‑
Net深度学习网络构建黄瓜褐斑病语义分割模型，实现了病斑分割。朱立学等对香蕉果串识别系统中传统的U
‑
Net网络存在实时性差、参数量多、下采样后丢失空间信息等问题，该研究提出基于U
‑
Net模型的轻量化分割网络。张会敏等提出一种基于多尺度融合卷积神经网络的黄瓜病害叶片分割方法，提出使用多尺度卷积网络与线性插值算法，改进后的网络准确率可达93.12％。何自芬等、顾兴健等提出了由编码
‑
解码器构成的多尺度融合神经网络，此法避免了传统的人工特征提取，且比现有的分割网络结构简单。上述研究均在农作物病害检测中取得一定的成果，但是其中农作物病害检测的种类较为单一，一般只针对某一种农作物病害，同时农作物病害分割时背景复杂且目标小的问题处理的不够好。

技术实现思路

[0005]为了克服上述现有技术存在的缺陷，本专利技术的目的在于提供一种基于多尺度融合与CBAM
‑
ResNet50的农作物病害分割方法、系统、设备及介质，首先搭建了U
‑
Net基础模型，并在主干网络层结合注意力机制与残差网络进行特征的高效提取，一方面来加强目标区域
的表征能力，抑制背景区域，以此实现复杂背景下的病害区域分割问题，另一方面通过残差减少梯度消失，提升模型的收敛速度；接着在特征融合层，设计基于上下文信息的多尺度自适应特征融合模块，通过邻近特征信息弥补当前层特征的信息丢失，以此提升小目标的检测能力；最后在网络底层使用空洞空间金字塔池化，通过不同膨胀率的空洞卷积来增加特征的全局感受野以实现整体分割区域的感知。
[0006]为了达到上述目的，本专利技术采取的技术方案为：
[0007]一种基于多尺度融合与CBAM
‑
ResNet50的农作物病害分割方法，具体包括以下步骤：
[0008]步骤一、数据预处理；
[0009]选择自然环境中，从晴天干燥环境到阴天潮湿环境捕捉的不同生长阶段下，公开的农作物病害的若干图像作为数据集；
[0010]1)图像标注：对农作物病害数据集进行标注，并标明所属类别；
[0011]2)划分数据集：将标注得到的数据集划分为训练集及测试集，并将原始图片压缩为U
‑
Net网络默认的图像大小；
[0012]步骤二、训练并评估U
‑
Net网络模型；
[0013]将步骤一第2)步处理完成的图像作为U
‑
Net网络模型的输入图像，并设置U
‑
Net网络模型的运行参数，在实验操作平台上对U
‑
Net网络模型进行训练，然后采用分割领域常用的评价标准，包括：mPA值、F_Score值、mIoU值、Loss值，对训练的U
‑
Net网络模型进行效果评估；
[0014]步骤三、针对步骤二评估进行U
‑
Net网络改进；
[0015]1)替换特征提取网络
[0016]将U
‑
Net网络的特征提取网络替换为CBAM
‑
ResNet50网络；
[0017]2)设计多尺度自适应特征融合模块ASFF，具体为：
[0018]基于上下文信息，通过邻近特征信息弥补当前层特征的信息丢失，以此提升病害区域占整个图片小的小目标的检测能力；同时在网络底层使用空洞空间金字塔池化，通过不同膨胀率的空洞卷积来增加特征的全局感受野以实现整体分割区域的感知；
[0019]步骤四、训练改进U
‑
Net网络；
[0020]将步骤一第2)步中经数据处理过的农作物病害图像作为步骤三中改进U
‑
Net网络的输入图像，并设置网络模型的运行参数，在实验操作平台上对步骤三改进的U
‑
Net网络模型进行训练，采用分割领域常用的评价标准，包括：mPA值、F_Score值、mIoU值、Loss值，对改进U
‑
Net的分割结果进行评估，若分割结果达到预期，则输出分割结果，若未达预期，未解决U
‑
Net存在的问题，则重复上述步骤，调整参数，直至分割结果达到预期，并输出最终病害分割结果。
[0021]所述步骤三第1)步的具体方法如下：
[0022]a)将U
‑
Net中的VGG16主干特征网络替换为ResNet50主干特征网络；
[0023]b)将CBAM注意力机制嵌入每层残差模块的底层，形成基于注意力机制与残差结构的主干特征提取网络。
[0024]所述步骤三第2)步的具体方法如下：
[0025]c)将不同尺度特征通过上采样操作调整到统一尺寸，然后再根据自适应学习到的
权重进行加权融合，得到融合后的特征；
[0026]d)采用不同膨胀率大小的扩张卷积进行多尺度特征提取；扩张卷积能将卷积核扩张到膨胀系数所约束的尺度中，并将原卷积核中未被占用的区域填充为0，达到在卷积核的参数个数保持不变且不降低图像分辨率的情况下，感受野的大小随着膨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度融合与CBAM
‑
ResNet50的农作物病害分割方法，其特征在于，具体包括以下步骤：步骤一、数据预处理选择自然环境中，从晴天干燥环境到阴天潮湿环境捕捉的不同生长阶段下，公开的农作物病害的若干图像作为数据集；1)图像标注：对农作物病害数据集进行标注，并标明所属类别；2)划分数据集：将标注得到的数据集划分为训练集及测试集，并将原始图片压缩为U
‑
Net网络默认的图像大小；步骤二、训练并评估U
‑
Net网络模型将步骤一第2)步处理完成的图像作为U
‑
Net网络模型的输入图像，并设置U
‑
Net网络模型的运行参数，在实验操作平台上对U
‑
Net网络模型进行训练，然后采用分割领域常用的评价标准，包括：mPA值、F_Score值、mIoU值、Loss值，对训练的U
‑
Net网络模型进行效果评估；步骤三、针对步骤二评估进行U
‑
Net网络改进1)替换特征提取网络将U
‑
Net网络的特征提取网络替换为CBAM
‑
ResNet50网络；2)设计多尺度自适应特征融合模块ASFF，具体为：基于上下文信息，通过邻近特征信息弥补当前层特征的信息丢失，以此提升病害区域占整个图片小的小目标的检测能力；同时在网络底层使用空洞空间金字塔池化，通过不同膨胀率的空洞卷积来增加特征的全局感受野以实现整体分割区域的感知；步骤四、训练改进U
‑
Net网络将步骤一第2)步中经数据处理过的农作物病害图像作为步骤三中改进U
‑
Net网络的输入图像，并设置网络模型的运行参数，在实验操作平台上对步骤三改进的U
‑
Net网络模型进行训练，采用分割领域常用的评价标准，包括：mPA值、F_Score值、mIoU值、Loss值，对改进U
‑
Net的分割结果进行评估，若分割结果达到预期，则输出分割结果，若未达预期，未解决U
‑
Net存在的问题，则重复上述步骤，调整参数，直至分割结果达到预期，并输出最终病害分割结果。2.根据权利要求1所述的基于多尺度融合与CBAM
‑
ResNet50的农作物病害分割方法，其特征在于，所述步骤三第1)步的具体方法如下：a)将U
‑
Net中的VGG16主干特征网络替换为ResNet50主干特征网络；b)将CBAM注意力机制嵌入每层残差模块的底层，形成基于注意力机制与残差结构的主干特征提取网络。3.根据权利要求1所述的基于多尺度融合与CBAM
‑
ResNet50的农作物病害分割方法，其特征在于，所述步骤三第2)步的具体方法如下：c)将不同尺度特征通过上采样操作调整到统一尺寸，然后再根据自适应学习到的权重进行加权融合，得到融合后的特征；d)采用不同膨胀率大小的扩张卷积进行多尺度特征提取；扩张卷积能将卷积核扩张到膨胀系数所约束的尺度中，并将原卷积核中未被占用的区域填充为0，达到在卷积核的参数个数保持不变且不降低图像分辨率的情况下，感受野的大小随...

【专利技术属性】
技术研发人员：亢洁，刘佳，王勍，张万虎，李亦轩，代鑫，王佳乐，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：