【技术实现步骤摘要】
本专利技术涉及农业图像分类，具体指一种基于efficiennetv2s的虫害细粒度识别方法。
技术介绍
1、作为农业大国，农业是影响我国国民经济的重要组成部分之一。而造成农作物减产的主要因素之一即为虫害。虫害所涉及到的都是昆虫，而昆虫种类繁多、形态各异，是世界上数量最多的动物种群，与人类的生活关系密切，此外昆虫对粮食安全、生态安全、生物多样性人生安全影响巨大。对昆虫的鉴定、识别和分类等研究对农作物保护和生物多样性保护等有着十分重要的意义。
2、昆虫精细化研究是解决形态相似或复杂的昆虫分类阶元识别问题的重要手段，近年来研究人员提出了细粒度图像分类的概念，在区分出基本类别的基础上，进行更精细的子类划分，是目前图像分类的热点方向之一。目前对昆虫细粒度分类的方法有以下几种，2021年wang提出了一种基于capsule网络和注意力机制的作物害虫识别方法(cnetam)，识别8种相似昆虫的精度可达到80％。2022年don等人使用视觉变换(vit)架构对微观昆虫进行基于注意力机制的细粒度分类，在识别西部花蓟马和瘟疫蓟马这样的微小昆虫上取得97.8％的精度。2023年，zheng等人利用efficientnet进行田间病虫害昆虫图像分类，在自制数据集上获取98.4％的精度，在公开数据集ip102上获取73.7％的精度。此外，对昆虫分类还有一些其他的方法，例如使用目标定位模块和多特征融合模块结合，以目标区域裁剪和掩膜的辅助方式训练，对昆虫将进行分类；例如基于注意力机制的昆虫细粒度图像分类；例如基于bilinear cnn对昆虫进行
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提出一种基于efficiennetv2s的虫害细粒度识别方法，解决实际农业中害虫种类多，背景复杂，类内差异大，类间差异小且数据分布不平衡导致害虫分类准确率低的问题。
2、为了解决上述技术问题，本专利技术的技术方案为：
3、一种基于efficiennetv2s的虫害细粒度识别方法，包括如下步骤：
4、s1、收集农业昆虫图像，并预处理得到数据集；
5、s2、构建细粒度分类模型
6、所述细粒度分类模型以efficiennetv2-s为主干网络，在efficiennetv2-s中带有se注意力模块的mbconv模块嵌入一个多尺度注意力ema模块，记为ema-mbconv；
7、s3、将预处理后的数据集作为输入训练细粒度分类模型，通过优化以下目标函数来训练细粒度分类模型：
8、ltotal＝ls-ce+βlrlm
9、
10、训练数据集表示为d＝{(xi,yi)|i∈{1,2,…,n}}，yi表示为一个c类别的向量，这个向量用来记录样本xi的类标签，表示样本xi属于哪个类别，wi和bj,j∈{1,2,…,c}分别表示softmax回归中第j类的参数向量和偏差，其softmax函数是将样本数据经过线性变化后，再进行softmax函数处理后将结果转化为各类别的概率分布；lrlm为自适应正则化large-margins损失，β为超参数，损失函数lrlm的定义如下：
11、
12、其中wi和wj,i,j∈{1,2,…,c}是softmax中第i类和第j类的参数向量，wi-wj是wi和wj的向量差，是正则化的向量。
13、s4、获取待识别的图像经预处理后，通过完成训练的细粒度分类模型进行昆虫分类。
14、作为优选，所述步骤s1中，收集的农业昆虫图像为类内差异小类间差异大的农业昆虫图像。
15、作为优选，所述预处理方法为：通过cutout对收集的图像进行数据增强，并将数据增强后的图像大小调整为224×224。
16、上述技术方案中，数据增强方法为：随机选择图像中的一个矩形区域，并将该区域内的像素值设置为0或者随机值，从而对图像进行遮挡或删除。
17、作为优选，所述多尺度注意力ema是在ca的基础上进行优化的，基于分组结构，修改了ca的顺序处理方法，首先，ema采用特征分组的策略，针对任何给定的输入特征图c×h×w，在通道维度c上进行划分c//g×h×w，划分为三条平行路径两个1x1分支和一个3x3分支，其输入张量分别为c//g×1×w、c//g×h×1和c//g×h×w。其中上述两个1x1分支分别使用两个1d全局平均池化操作，通过简单的乘法聚合了每个组内两个通道的注意力图c//g×1×(w+h)，之后通过1x1卷积的输出分解为两个向量c//g×1×w、c//g×h×1后分别使用一个非线性sigmoid激活函数来拟合线性卷积上的2d二进制分布并通过与分组后的张量c//g×h×w进行重新加权调整，而3x3分支则通过一个3x3卷积捕获局部通道交互以扩大特征空间。其次，ema还引入了跨空间学习的方法。将1×1分支的输出进行归一化之后利用2d全局平均池化进行全局空间信息编码得到张量c//g×1×1，输出后使用非线性函数softmax来拟合线性变化得到张量1×c//g，通过上述并行处理输出与3x3分支的c//g×h×w矩阵点积运算相乘得到第一个空间注意力图，其输出张量为1×h×w。类似的在3x3分支中也利用2d全局平均池化来编码全局空间信息得到张量c//g×1×1，后通过非线性函数softmax拟合来拟合线性变化得到张量1×c//g，与上述1×1分支的输出进行归一化之后的张量进行矩阵点积运算相乘得到第二个空间注意力图，其输出张量为1×h×w。最后，每组的输出特征图为上述生成的两个空间注意力权重值的总和，后通过sigmoid激活函数来拟合线性卷积上的2d二进制分布并通过与分组后的张量c//g×h×w进行重新加权调整，得到的最终输出图像大小为c×h×w。其中c表示输入通道的数量，h、w分别表示输入特征的空间维度，g表示为被划分的数量。
18、上述技术方案中，多尺度注意力ema着眼于保留每个通道的信息并减少计算开销，将部分通道重塑为批维度，并将通道维度分组为多个子特征，使空间语义特征在每个特征组中分布良好，除了对全局信息进行编码以重新校准每个并行分支中的通道加权之外，还通过跨维度交互来进一步聚合两个并行分支的输出特征，以捕获像素级的成对关系。
19、作为优选，所述步骤4中，通过完成训练的细粒度分类模型进行昆虫分类的方法为：所述待识别的图像经预处理后作为输入，依次经过一个卷积核大小3×3，通道数为3，步长为2的卷积层；两个通道为3，本文档来自技高网...
【技术保护点】
1.一种基于EfficienNetV2S的虫害细粒度识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于EfficienNetV2S的虫害细粒度识别方法，其特征在于，所述步骤S1中，收集的农业昆虫图像为类内差异小类间差异大的农业昆虫图像。
3.根据权利要求1所述的一种基于EfficienNetV2S的虫害细粒度识别方法，其特征在于，所述预处理方法为：通过Cutout对收集的图像进行数据增强，并将数据增强后的图像大小调整为224×224。
4.根据权利要求1所述的一种基于EfficienNetV2S的虫害细粒度识别方法，其特征在于，所述多尺度注意力EMA模块,采用特征分组的策略，针对任何给定的输入特征图C×H×W，在通道维度C上进行划分C//G×H×W，划分为三条平行路径两个1x1分支和一个3x3分支，其输入张量分别为C//G×1×W、C//G×H×1和C//G×H×W；
5.根据权利要求4所述的一种基于EfficienNetV2S的虫害细粒度识别方法，其特征在于，所述步骤4中，通过完成训练的细粒度分类模型进行昆虫分
6.根据权利要求5所述的一种基于EfficienNetV2S的虫害细粒度识别方法，其特征在于，所述EMA-MBConv进行特征处理的方法为：
...【技术特征摘要】
1.一种基于efficiennetv2s的虫害细粒度识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于efficiennetv2s的虫害细粒度识别方法，其特征在于，所述步骤s1中，收集的农业昆虫图像为类内差异小类间差异大的农业昆虫图像。
3.根据权利要求1所述的一种基于efficiennetv2s的虫害细粒度识别方法，其特征在于，所述预处理方法为：通过cutout对收集的图像进行数据增强，并将数据增强后的图像大小调整为224×224。
4.根据权利要求1所述的一种基于efficiennetv2s的虫害细粒度识别方法，其特征在于，所述多尺度注意力ema模块,采用特征分组的策略，针对任何给定的输入特征图c×h×w，在通道维度c上进行划分c//g×h×w，划分为三条平行路径两个1x1分支和一个3x3分支，其输入张量分别为c//g×1×w、c//g×h×1和c//g×h×w；
5.根据权利...
【专利技术属性】
技术研发人员：陈冬梅，李佳，魏凯华，李响，王海亮，卢成波，曹佩佩，
申请(专利权)人：杭州电子科技大学，
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。