【技术实现步骤摘要】
本专利技术涉及图像识别领域，具体提供一种用于农业病害识别方法及装置。
技术介绍
1、深度学习技术已被广泛应用于图像识别和模式识别领域，尤其在目标检测和分类方面取得了显著的成就。同时，农业病害的及时识别对于保障农作物的生长和减少农业损失具有重要意义。因此，将深度学习技术应用于农业病害检测领域具有巨大的潜力。
2、目前，已有一些基于深度学习的农业病害检测方法，主要包括但不限于cnn用于农作物病害的图像识别和分类，以及目标检测算法，如yolov3、faster r-cnn等，用于实现对农作物病害区域的精确定位和识别。然而，现有技术仍然存在一些挑战，例如对于多样化病害的准确识别、对复杂农田环境的适应能力以及对小尺寸病害的有效检测等方面仍有待改进。
3、(1)小尺寸病害识别困难：yolov8在处理小尺寸目标上可能存在困难，而在农业病害识别中，一些病害可能非常微小，因此需要更高的检测精度和对小尺寸目标的敏感性。
4、(2)多样化病害识别挑战：农业病害种类繁多，形态各异，yolov8可能在区分不同种类病害时存在一定的困难，尤其是在病害之间存在相似性的情况下。
5、(3)复杂农田环境适应性差：农田环境复杂多变，可能存在各种光照条件、遮挡物等因素，yolov8可能在复杂环境下的稳定性和适应能力有限。
技术实现思路
1、本专利技术是针对上述现有技术的不足，提供一种实用性强的用于农业病害识别方法。
2、本专利技术进一步的技术任务是提供一种设计合
3、本专利技术解决其技术问题所采用的技术方案是：
4、一种用于农业病害识别方法，加入全面路径聚合网络，用于提高对小尺寸病害的识别能力，在yolov8的主干网络中融合swin-t结构并优化改进增强对多样化病害的识别能力，提高对细微差异的区分效果；
5、在训练数据加入模拟不同光照和遮挡条件的样本，提高模型对农田复杂环境的适应能力，提高模型的鲁棒性。
6、进一步的，所述全面路径聚合网络通过高层特征的一倍和两倍转置卷积上采样，来获得两层的低层特征，更多的获取到小尺寸目标的特征。
7、进一步的，左侧自下而上的过程为骨干网络的特征提取层，剩余右侧的部分为路径聚合网络，路径聚合网络中自上而下的过程传递的是高层特征的语义信息，自下而上的过程传递的低层特征的位置信息。
8、进一步的，所述全面路径聚合网络自下而上分别为p1、p2、p3、p4、p5、p6和p7层，对最上层p7特征层进行一倍的上采样得到的特征图谱连接到下层p6层，两倍的上采样得到的特征图谱链接到下层p5层；
9、对p6特征层进行一倍的上采样得到的特征图谱连接到p5层，两倍的上采样得到的特征图谱链接到p4层；对p5特征层进行一倍的上采样得到的特征图谱连接到p4层，两倍的上采样得到的特征图谱链接到p3层这三种方式，实现了高阶特征向低阶特征最大限度的靠拢。
10、进一步的，所述yolov8的主干网络中融合swin-t结构为输入rgb三通道图像先经过卷积、批归一化和sigmod线性单元激活函数初步进行特征提取，随后接入完整的swin-t，中间输出4种不同层次的特征。
11、进一步的，所述yolov8的主干网络中融合swin-t结构自上而下为p3、p4、p5、p6和p7，经过path partition和linear embedding操作后，将输出特征图谱传入c2f中并进行1x1卷积，得到p3；
12、经过第一个swin-t block和patch merging组成的sp模块后，将输出特征图谱与p3并置，传入c2f得到p4；
13、经过第二个sp模块输出的特征图谱与p4经过cbs模块得到的特征图谱并置，传入c2f得到p5；
14、经过第三个sp模块输出的特征图谱与p5经过cbs模块得到的特征图谱并置，传入c2f得到p6。
15、进一步的，swin-t最后一层swin-t block的输出经过sppf操作得到的特征图谱与p6经过cbs模块得到的特征图谱并置，作为p7，输入图像经过特征提取的5个输出作为t-pan对应的5个输入。
16、一种用于农业病害识别装置，包括：至少一个存储器和至少一个处理器；
17、所述至少一个存储器，用于存储机器可读程序；
18、所述至少一个处理器，用于调用所述机器可读程序，执行一种用于农业病害识别方法。
19、本专利技术的一种用于农业病害识别方法及装置和现有技术相比，具有以下突出的有益效果：
20、(1)提高小尺寸病害的识别能力：通过全面路径聚合网络(t-pan)的引入，解决了标准yolov8在处理小尺寸目标上的困难，显著提高了对小尺寸农作物病害的识别精度和敏感性。
21、(2)增强多样化病害识别能力：通过融合swin-t结构并优化改进yolov8的主干网络，提高了对多样化病害的识别能力，使其能够更好地区分不同种类和形态各异的农作物病害，尤其是在病害之间存在相似性的情况下也能取得更好的效果。
22、(3)提高模型在复杂环境下的适应能力：通过训练数据中加入模拟不同光照、遮挡等复杂条件的样本，并优化改进模型结构，提高了模型对农田复杂环境的适应能力和鲁棒性，使其能够稳定地在各种光照条件和存在遮挡物的情况下进行准确的病害识别。
23、(4)农业生产效益提升：通过提高农业病害识别模型的准确性、鲁棒性和感知能力，将有助于减少病害对农作物的影响，提高农业生产效率，从而为农业生产提供更好的技术支持，促进农业生产的可持续发展。
24、综上所述，本专利技术技术方案将显著提高农业病害识别模型在复杂农田环境中的性能，为农业生产提供更准确、可靠的病害识别技术支持，有望为农业生产带来显著的经济效益和社会效益。
本文档来自技高网...【技术保护点】
1.一种用于农业病害识别方法，其特征在于，加入全面路径聚合网络，用于提高对小尺寸病害的识别能力，在YOLOv8的主干网络中融合Swin-T结构并优化改进增强对多样化病害的识别能力，提高对细微差异的区分效果；
2.根据权利要求1所述的一种用于农业病害识别方法，其特征在于，所述全面路径聚合网络通过高层特征的一倍和两倍转置卷积上采样，来获得两层的低层特征，更多的获取到小尺寸目标的特征。
3.根据权利要求2所述的一种用于农业病害识别方法，其特征在于，左侧自下而上的过程为骨干网络的特征提取层，剩余右侧的部分为路径聚合网络，路径聚合网络中自上而下的过程传递的是高层特征的语义信息，自下而上的过程传递的低层特征的位置信息。
4.根据权利要求3所述的一种用于农业病害识别方法，其特征在于，所述全面路径聚合网络自下而上分别为P1、P2、P3、P4、P5、P6和P7层，对最上层P7特征层进行一倍的上采样得到的特征图谱连接到下层P6层，两倍的上采样得到的特征图谱链接到下层P5层；
5.根据权利要求4所述的一种用于农业病害识别方法，其特征在于，所述YOLOv8
6.根据权利要求5所述的一种用于农业病害识别方法，其特征在于，所述YOLOv8的主干网络中融合Swin-T结构自上而下为P3、P4、P5、P6和P7，经过Path Partition和LinearEmbedding操作后，将输出特征图谱传入C2f中并进行1x1卷积，得到P3；
7.根据权利要求6所述的一种用于农业病害识别方法，其特征在于，Swin-T最后一层Swin-T Block的输出经过SPPF操作得到的特征图谱与P6经过CBS模块得到的特征图谱并置，作为P7，输入图像经过特征提取的5个输出作为T-PAN对应的5个输入。
8.一种用于农业病害识别装置，其特征在于，包括：至少一个存储器和至少一个处理器；
...【技术特征摘要】
1.一种用于农业病害识别方法，其特征在于，加入全面路径聚合网络，用于提高对小尺寸病害的识别能力，在yolov8的主干网络中融合swin-t结构并优化改进增强对多样化病害的识别能力，提高对细微差异的区分效果；
2.根据权利要求1所述的一种用于农业病害识别方法，其特征在于，所述全面路径聚合网络通过高层特征的一倍和两倍转置卷积上采样，来获得两层的低层特征，更多的获取到小尺寸目标的特征。
3.根据权利要求2所述的一种用于农业病害识别方法，其特征在于，左侧自下而上的过程为骨干网络的特征提取层，剩余右侧的部分为路径聚合网络，路径聚合网络中自上而下的过程传递的是高层特征的语义信息，自下而上的过程传递的低层特征的位置信息。
4.根据权利要求3所述的一种用于农业病害识别方法，其特征在于，所述全面路径聚合网络自下而上分别为p1、p2、p3、p4、p5、p6和p7层，对最上层p7特征层进行一倍的上采样得到的特征图谱连接到下层p6层，两倍的上采样得到的特征图谱链接到下层p5层；
<...【专利技术属性】
技术研发人员：王宗增，王培元，
申请(专利权)人：山东浪潮超高清智能科技有限公司，
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。