基于小样本图像语义分割的农作物叶片病虫害识别的方法技术

本发明专利技术公开了基于小样本图像语义分割的农作物叶片病虫害识别的方法，应用于农作物叶片病虫害识别技术领域，包括：采集农作物病虫害叶片的图像，将其分为支持集和查询集两组图像，并对支持集中的图像进行图像分割标注，得到具有标签的支持集和无标签的查询集；采用预训练的深度学习网络模型对支持集和查询集中的图像进行特征提取，得到支持集特征图和查询集特征图；使用密集比较模块对支持集特征图和查询集特征图进行密集比较，以得到查询集的初步分割图像；使用迭代优化模块对查询集的初步分割图像进行优化，得到精确的查询集分割图像。本发明专利技术可以使用极少数目的标注图像实现对农作物叶片病虫害识别。农作物叶片病虫害识别。农作物叶片病虫害识别。

【技术实现步骤摘要】
基于小样本图像语义分割的农作物叶片病虫害识别的方法


[0001]本专利技术涉及农作物叶片病虫害识别
，更具体的说是涉及一种基于小样本图像语义分割的农作物叶片病虫害识别的方法。

技术介绍

[0002]小样本量是农业图像分割中的一个巨大挑战，因为获取大量标注数据用于训练通常不切实际且耗时。然而，准确的图像分割对于各种农业应用至关重要，如作物监测、产量估计和疾病诊断。当在大量标记数据上训练时，传统的基于监督的深度学习的分割方法可以获得良好的结果。然而，由于以下两个原因，这些网络在农学图像上的训练通常难以实现：缺乏足够大量的专家注释数据用于训练，因为这些注释不仅需要相关的病变知识还需要成本和时间；此外，农业植物病变分割课题不计其数，通过训练一个新的、特定的模型来覆盖每一个不可见的课题是不切实际的。
[0003]近年来，深度学习方法的发展为植物病虫害检测提供了新的思路。基于深度学习的植物病虫害检测方法主要包括基于卷积神经网络(CNN)的方法、基于循环神经网络(RNN)的方法、基于图像分割的方法等。卷积神经网络方法已被广泛应用与植物病虫害的分割任务中，并取得了显著的性能提升。然而，获取大量标记数据用于训练通常不切实际且耗时的，当面临小样本数据时，卷积神经网络模型容易出现过拟合的情况，从而影响分类和分割结果的准确性。
[0004]为了解决这一问题，研究人员开始尝试基于小样本学习的方法来提高植物病虫害分割的性能。小样本学习已经成为一种很有前途的农业图像分割方法。针对一个从未见过的分类，小样本模型可以从极少量的几个标注数据中学习其特征。从而允许模型使用有限的标记数据对新目标进行有效分割，而不需要使用大量的标注数据重新训练模型。如果将小样本学习应用于农学图像，使用者可以仅使用少量的标注样本有效地分割出罕见或新发病灶。小样本学习方法包括数据增强技术、元学习、迁移学习等。数据增强技术通过对原始图像进行变换、裁剪、旋转、噪声添加等操作，来扩充训练数据集的规模和多样性，从而缓解过拟合问题。元学习通过在大规模数据集上预训练一个通用的模型或者优化器，并在小样本数据集上进行微调或者更新，来提高模型在新任务上的泛化能力。迁移学习通过利用源域中已有知识来辅助目标域中相关任务的学习，从而减少目标域所需的训练数据量。
[0005]因此，本专利技术提供一种基于小样本图像语义分割的农作物叶片病虫害识别的方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于小样本图像语义分割的农作物叶片病虫害识别的方法，通过使用本专利技术方法，可以使用极少数目的标注图像实现对农作物叶片病虫害识别。
[0007]为了实现上述目的，本专利技术提供如下技术方案：
[0008]一种基于小样本图像语义分割的农作物叶片病虫害识别的方法，包括以下步骤：
[0009]S1、采集农作物病虫害叶片的图像，将其分为支持集和查询集两组图像，并对支持集中的图像进行图像分割标注，得到具有标签的支持集和无标签的查询集；
[0010]S2、采用预训练的深度学习网络模型对支持集和查询集中的图像进行特征提取，得到支持集特征图和查询集特征图；
[0011]S3、使用密集比较模块对支持集特征图和查询集特征图进行密集比较，以得到查询集的初步分割图像；
[0012]S4、使用迭代优化模块对查询集的初步分割图像进行优化，得到精确的查询集分割图像。
[0013]可选的，S1中通过Canny边缘检测器对支持集图像进行分割并手动对分割区域进行标注。
[0014]可选的，在S2中对支持集和查询集图像进行特征提取采用的是深度学习网络模ResNet。
[0015]可选的，ResNet中的网络用以下数学模型进行表示：
[0016](1)卷积层：对于输入图像I和卷积核K，卷积操作可以表示为：
[0017][0018]其中C(i,j)是输出特征图的第i行第j列的元素；
[0019](2)池化层：对于输入特征图F，池化操作可以表示为：
[0020][0021]其中P(i,j)是输出特征图的第i行第j列的元素，s是池化步长，m和n是池化窗口的大小；
[0022](3)残差模块：对于输入特征图X和残差函数F，残差模块可以表示为：
[0023]Y＝F(X)+X
[0024]其中Y是输出特征图，F(X)是由卷积层和激活函数组成的非线性函数；
[0025](4)全局平均池化层：对于输入特征图G，全局平均池化层可以表示为：
[0026][0027]其中v
c
是输出向量的第c个元素，H和W是输入特征图的高度和宽度，c是通道数。
[0028]可选的，S3中是通过比较支持集特征图和查询集特征图之间的相似度，来计算查询集的病虫害类别。
[0029]可选的，在S3的密集比较模块中，使用了余弦距离作为特征图相似度的度量函数，对于空间中的两个向量A,B，其余弦距离为：
[0030][0031]其中，*表示点积，||A||表示向量A的模长，计算公式为
[0032]可选的，在S3中支持集中具有多张图像，则使用注意力机制模块获得更加精确的支持集特征图；注意力机制模块由两个卷积块组成，第一个卷积块有256个3
×
3的滤波器，后面跟着一个3
×
3的最大池化层；第二个卷积块有一个3
×
3的卷积层，后面跟着一个全局平均池化层；注意力分支的输出为λ，表示每个支持样本的权重。
[0033]可选的，使用SoftMax函数对所有支持样本的权重进行归一化，使得它们的和为1，具体计算公式如下：
[0034][0035]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于小样本图像语义分割的农作物叶片病虫害识别的方法，具有以下有益效果：
[0036](1)采用步骤1，使用基于Canny算子的边缘检测算法，Canny算子是非微分边缘检测算子，利用高斯滤波器平滑图像，计算图像中每个像素点的梯度强度和方向，对梯度幅值进行非极大值抑制，用双阈值算法检测来确定真实和潜在的边缘。Canny算子对噪声不敏感，能够检测到真正的弱边缘，是很有效的边缘检测方法。
[0037](2)采用步骤2，对支持集和查询集中的图像进行特征提取，采用ResNet深度学习网络进行特征提取，对比传统的CNN网络，ResNet引入了残差块(residual blocks)的概念，它们通过跳跃连接(skip connections)将输入和输出相加，从而避免了梯度消失或爆炸的问题。因此，ResNet可以构建非常深的特征提取网络，进而挖掘出更多的图像特征。
[0038](3)采用步骤3，使用余弦距离比较支持集特征图和查询集特征图的相似度，得到初步的查询集分割图像。余弦距离(Cosine Similarity)是通过测量两个向量夹角的余弦值来确定两个向量之间的相似度。它通常用于正空间，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本图像语义分割的农作物叶片病虫害识别的方法，其特征在于，包括以下步骤：S1、采集农作物病虫害叶片的图像，将其分为支持集和查询集两组图像，并对支持集中的图像进行图像分割标注，得到具有标签的支持集和无标签的查询集；S2、采用预训练的深度学习网络模型对支持集和查询集中的图像进行特征提取，得到支持集特征图和查询集特征图；S3、使用密集比较模块对支持集特征图和查询集特征图进行密集比较，以得到查询集的初步分割图像；S4、使用迭代优化模块对查询集的初步分割图像进行优化，得到精确的查询集分割图像。2.根据权利要求1所述的一种基于小样本图像语义分割的农作物叶片病虫害识别的方法，其特征在于，S1中通过Canny边缘检测器对支持集图像进行分割并手动对分割区域进行标注。3.根据权利要求1所述的一种基于小样本图像语义分割的农作物叶片病虫害识别的方法，其特征在于，在S2中对支持集和查询集图像进行特征提取采用的是深度学习网络模ResNet。4.根据权利要求3所述的一种基于小样本图像语义分割的农作物叶片病虫害识别的方法，其特征在于，ResNet中的网络用以下数学模型进行表示：(1)卷积层：对于输入图像I和卷积核K，卷积操作可以表示为：其中C(i,j)是输出特征图的第i行第j列的元素；(2)池化层：对于输入特征图F，池化操作可以表示为：其中P(i,j)是输出特征图的第i行第j列的元素，s是池化步长，m和n是池化窗口的大小；(3)残差模块：对于输入特征图X和残差函数F，残差模块可以表示为：Y＝F(X)+X其中Y是输出特征图，...

【专利技术属性】
技术研发人员：李雅琴，王丹丹，袁操，曾山，
申请(专利权)人：武汉轻工大学，
类型：发明
国别省市：