本发明专利技术提供了一种基于结构信息和分层注意力策略的农作物病害检测方法，获取农作物病害数据集；构建病害检测模型，其中结构信息学习模块，用于提取物体结构信息，并通过图卷积获取结构特征以整合进主干网络；分层注意力选择模块，用于融合主干网络各层之间的注意力权重；对比学习模块，用于增强同一类别农作物病害图像的特征相似度，并减少不同类别的特征相似度；数据增强模块，用于使用注意力引导农作物病害图像进行裁剪和丢弃，将裁剪过的图片再输入到模型当中进行训练，以减少来自固定大小的图像块的噪声干扰；将农作物病害数据集作为训练集和测试集，对病害检测模型进行训练；将待检测的农作物图片输入训练后的病害检测模型，得到检测结果。
【技术实现步骤摘要】
本专利技术涉及农业病害检测方法，具体涉及一种基于结构信息和分层注意力策略的农作物病害检测方法。
技术介绍
1、农业是人类生存和发展的基础之一。然而，农作物病害一直是农业产量和质量的主要威胁之一。农作物病害包括病毒、细菌、真菌、寄生虫等，它们可以导致农作物减产、质量下降甚至完全损失。随着全球气候变化和国际贸易的增加，农作物病害的传播和流行变得更加复杂和难以控制。传统上，农民和农业相关专家主要依赖于经验和目测来检测和分类农作物病害。这种方法存在主观性、不稳定性和时间成本高的问题。为了提高农作物病害的早期检测和治理效率，计算机视觉技术被引入到农业中。然而，现有的图像检测检测分类方法在面对细粒度农作物病害检测检测分类问题时仍然存在一些挑战。
2、现有的计算机视觉模型难以处理细粒度的农作物病害检测分类问题，因为农作物病害之间的差异通常非常微小，需要高度精确的检测分类模型。此外，不同地区和季节的病害表现也可能存在差异，使得模型训练和部署更加复杂。因此，有必要提出一种新颖的计算机视觉模型，能够针对农作物病害进行细粒度的图像检测检测分类，以帮助农业生产者及早检测和分类农作物病害，采取相应的措施来减轻其对农业的不利影响。
技术实现思路
1、本专利技术提出了一种基于结构信息和分层注意力策略的农作物病害检测方法，以解决现有的农作物病害检测模型精度较低的技术问题。
2、为解决上述技术问题，本专利技术提供了一种基于结构信息和分层注意力策略的农作物病害检测方法，包括以下步骤：
<
p>3、步骤s1：获取农作物病害数据集；4、步骤s2：构建病害检测模型，所述病害检测模型由主干网络、结构信息学习模块、分层注意力选择模块、对比学习模块和数据增强模块组成；
5、所述结构信息学习模块，用于提取物体结构信息，并通过图卷积获取结构特征以整合进主干网络；
6、所述分层注意力选择模块，用于融合主干网络各层之间的注意力权重；
7、所述对比学习模块，用于增强同一类别农作物病害图像的特征相似度，并减少不同类别的特征相似度；
8、所述数据增强模块，用于使用注意力引导农作物病害图像进行裁剪和丢弃，将裁剪过的图片再输入到模型当中进行训练，以减少来自固定大小的图像块的噪声干扰；
9、步骤s3：将所述农作物病害数据集作为训练集和测试集，对所述病害检测模型进行训练；
10、步骤s4：将待检测的农作物图片输入训练后的病害检测模型，得到检测结果。
11、优选地，所述主干网络将农作物病害图像划分为固定大小的图像块，并在每个图像块上叠加一个相同大小的可学习向量和分类标记。
12、优选地，所述结构信息学习模块提取物体结构信息，并通过图卷积获取结构特征的方法包括以下步骤：
13、步骤s101：计算主干网络每个头部的图像块标记和分类标记之间的注意力权重：
14、；
15、式中，，
h=1,2，…h；和是d维查询向量和所有标记的键向量；为主干网络transformer层的头部个数；为图像块的数量；
16、步骤s102：计算得到总注意力权重矩阵：
17、；
18、步骤s103：计算中所有注意力权重的平均值作为阈值，将注意力权重小于的图像块的注意力权重置为0，得到新的注意力权重矩阵；
19、步骤s104：将中注意力权重最高的图像块设置为参考图像块，计算测量参考图像块与其他图像块的极坐标，获得农作物叶片对象的结构信息，定义各图像块的极坐标=(,)为：
20、；
21、；
22、式中，是和两者之间的相对距离，是相对于水平方向的标准化极角，表示图像中每一列的图像块个数，表示图像中每一行的图像块个数；
23、步骤s105：计算各图像块之间的边缘权重，并将中值为0的元素对应的图像块的边缘权重置为0，边缘权重的表达式为：
24、；
25、步骤s106：采用图卷积方法提取农作物叶片对象的结构特征：
26、；
27、式中，为图像块节点特征；和为可学习参数；为激活函数。
28、优选地，所述分层注意力选择模块融合主干网络各层之间的注意力权重的方法包括以下步骤：
29、步骤s201：计算主干网络中各层的注意力权重：
30、；
31、；
32、上式中，k表示自注意头的个数；表示第层的注意力权重；表示第层的第i个自注意头的注意力权重；表示第层的第i个自注意头中第n个图像块的注意力权重；n为固定大小的图像块的个数；
33、步骤s202：根据以下公式融合各组的注意力权重：
34、；
35、式中，表示每组融合后的注意权值，表示第l层的注意力权重；
36、步骤s203：对于各注意力头，选取注意力权重最大的k个图像块作为最大指标，将最大指标的位置作为索引，提取病害特征层之间的判别性标记，将各注意力头的判别性标记组合，得到：
37、；
38、步骤s204：将分类标记与各层判别性标记连接，融合后得到:
39、；
40、式中，表示分类标记，表示has模块选择的标记，最后将送入最后一层transformer进行检测分类。
41、优选地，所述对比学习模块通过引入超参数，过滤相似度小于的负对，以增强同一类别农作物病害图像的特征相似度，并减少不同类别的特征相似度。
42、优选地，所述数据增强模块减少来自固定大小的图像块的噪声干扰的方法包括以下步骤：
43、步骤s401：选取主干网络中第个transformer层的病害特征注意力矩阵指导数据增强过程，并将其归一化，得到归一化注意力矩阵：
44、；
45、步骤s402：将归一化注意力矩阵中大于设定阈值的元素置为1，否则置为0，对农作物病害图像进行裁剪；
46、步骤s403：将归一化注意力矩阵中大于设定阈值的元素置为1，否则置为0，对农作物病害图像进行丢弃。
47、优选地，步骤s3中所述病害检测模型通过损失函数训练模型，所述损失函数的表达式为：
48、；
49、；
50、；
51、式中，、和分别表示原图像的交叉熵损失、注意力裁剪、删除后图像的交叉熵损失；表示对比学习损失；n表示批量大小；表示具有相同病害类别标签的正图像表示对，即，样本的标签；表示属于不同病害类别的负图像表示对；表示正对的数量；表示余弦相似度计算。
52、交叉熵损失函数的表达式为：
53、；
54、式中，和对应第i个类别的真实标记与预测概率；n为类别个数。
55、本专利技术还提供了一种基于结构信息和分层注意力策略的农作物病害检测系统，适用于上述的一种基于结构本文档来自技高网
...
【技术保护点】
1.一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：所述主干网络将农作物病害图像划分为固定大小的图像块，并在每个图像块上叠加一个相同大小的可学习向量和分类标记。
3.根据权利要求2所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：所述结构信息学习模块提取物体结构信息，并通过图卷积获取结构特征的方法包括以下步骤：
4.根据权利要求2所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：所述分层注意力选择模块融合主干网络各层之间的注意力权重的方法包括以下步骤：
5.根据权利要求1所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：所述对比学习模块通过引入超参数，过滤相似度小于的负对，以增强同一类别农作物病害图像的特征相似度，并减少不同类别的特征相似度。
6.根据权利要求1所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：所述数据增强模块减少来自固定大小的图像块的噪声干扰的方法包括以下步骤：
7.根据权利要求1所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：步骤S3中所述病害检测模型通过损失函数训练模型，所述损失函数的表达式为：
8.一种基于结构信息和分层注意力策略的农作物病害检测系统，适用于权利要求1至7任一项所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：所述系统包括数据获取模块、模型构建模块、模型训练模块和病害检测模块；
9.根据权利要求8所述的一种基于结构信息和分层注意力策略的农作物病害检测系统，其特征在于：所述病害检测模型包括主干网络、结构信息学习模块、分层注意力选择模块、对比学习模块和数据增强模块；
...
【技术特征摘要】
1.一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：所述主干网络将农作物病害图像划分为固定大小的图像块，并在每个图像块上叠加一个相同大小的可学习向量和分类标记。
3.根据权利要求2所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：所述结构信息学习模块提取物体结构信息，并通过图卷积获取结构特征的方法包括以下步骤：
4.根据权利要求2所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：所述分层注意力选择模块融合主干网络各层之间的注意力权重的方法包括以下步骤：
5.根据权利要求1所述的一种基于结构信息和分层注意力策略的农作物病害检测方法，其特征在于：所述对比学习模块通过引入超参数，过滤相似度小于的负对，以增强同一类别农作物...
【专利技术属性】
技术研发人员：荣毅，周健超，熊盛武，莫俊强，张勇健，张毅，李嘉男，叶尹，
申请(专利权)人：武汉理工大学三亚科教创新园，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。