【技术实现步骤摘要】
本专利技术涉及一种农作物病害识别方法，特别是一种基于注意力机制的农作物病害识别方法。
技术介绍
1、中国作为全球最大的农业国之一，农业在国家经济和人民生活中扮演着重要的角色，在中国的农业国情下，农作物病害对粮食产量和质量造成了严重的威胁。由于农业部门资金和技术人才的短缺，导致农作物病害的检测手法相对单一落后。调查人员的学识和主观性限制了检查结果的准确性，从而延误病害的诊断。如何利用科学方法进行病害的识别，提高农作物产量和品质，减少病害对农作物生长的危害，同时，能够减少人力资源的需求，提高工作效率，为农业部门提供更准确、及时的决策支持具有重大的意义。
2、随着计算机视觉和图像处理技术的进步，图像识别技术在农作物病害识别领域取得了不错的发展。深度学习算法的应用使得图像识别的准确性和鲁棒性得到了大幅提升。然而在实际应用中，由于农作物病害特征较小，现有深度学习的目标检测算法对于小目标检测的准确度并不高，导致对于病害识别往往存在漏检的情况，严重影响识别技术在实际应用中推广。
技术实现思路
1、本专利技术的目的在于，提供一种基于注意力机制的农作物病害识别方法。用于解决现有农作物病害目标特征较小，不同病害样本不均衡，导致现有的目标检测算法存在明显的漏检和误检问题。本专利技术首先采用yolo_v8网络结构作为基础架构，对其原有主干网络backbone进行改进，提出一种新的双分支特征融合模块btm，一分支是采用残差融合结构，通过多个不同大小的卷积核进行特征提取，再进行残差融合，获取不同尺
2、本专利技术的技术方案：一种基于注意力机制的农作物病害识别方法，该农作物病害识别方法包括有以下步骤：农作物病害数据收集及标注、数据增强、数据预处理、构建基于yolo_v8基础架构模型、构建双分支特征融合模块btm、构建模型整体训练损失、采用adam算法优化模型参数以及输出模型病害检测结果。
3、前述的一种基于注意力机制的农作物病害识别方法中，所述农作物病害数据收集及标注具体为，采用农作物不同的病害图像，采用labelme标注工具对农作物中病害区域进行标注以及添加对应的类别标签。
4、前述的一种基于注意力机制的农作物病害识别方法中，所述数据增强具体为，针对不同病虫害数据存在类别不均衡的问题，除了采用常规的图像几何变换、图像灰度变化和图像增强预处理方法外，还采用改进的mixup增强算法，以避免传统mixup中把背景融合进来的问题，其随机选择两个训练样本图像，根据标注的区域mask，其对应的label，使用线性插值的方法生成新的图像和对应的label，作为增强的数据：
5、
6、
7、其中xi和xj为随机的两张图像，yi和yj对应label标签，mi表示xi有效的目标label区域,表示线性增强后的图像，表示线性增强后的label标签，γ表示线性融合强度。
8、前述的一种基于注意力机制的农作物病害识别方法中，所述数据预处理具体为，为加快模型的收敛速度，对图像进行归一化操作，将病害图像大小设置为(640,640)，将图像像素的取值范围从0～255转为0～1之间，其公式如下：
9、
10、其中xi表示图像第i个像素值，max(x)和min(x)分别表示为图像像素的最大值和最小值。
11、前述的一种基于注意力机制的农作物病害识别方法中，所述构建基于yolo_v8基础架构模型具体为，其网络结构主要分为：输入端、主干网络backbone、neck、head四部分；主干网络backbone：用于提取图像的特征，将输入图像转换为多层特征图，分为p1，p2，p3，p4和p5，其中p主要由步骤5提出的网络结构所构成；neck：采用pafpn的结构，负责对特征图进行多尺度特征融合，从而提高目标检测的准确率和效率，主要功能包括特征融合、特征增强和特征匹配；输出端：即检测头head，主要负责将特征图转换为目标检测结果，包含目标分类、目标定位、目标置信度。
12、前述的一种基于注意力机制的农作物病害识别方法中，所述构建双分支特征融合模块btm具体为，将原有c2f网络结构进行替代，其网络结构包括一分支是采用残差融合结构，通过多个不同大小的卷积核进行特征提取，再进行残差融合，使得深度卷积的输入输出通道数量增多，同时获取不同尺度的特征信息；另一分支通过引入注意力机制，增强模型的全局感受野，获取更多上下文信息，从而更加关注小目标病害特征信息；
13、分支一表达如下：
14、
15、其中f表示输入的图像，w1*1(f)表示采用1*1大小的卷积核进行特征提取，同理w3*3(f)表示采用3*3大小的卷积核进行特征提取，w5*5(f)表示采用3*3大小的卷积核进行特征提取；sigmoid表示激活函数；
16、分支二表示如下：
17、fsa＝frs(softmax(σ1(globalpooling(wq(f))))×σ2(wv,f)))，
18、其中wq(f)和wv(f)表示用1x1的卷积将输入的特征转换为了q和v，σ1和σ2表示特征图的reshape操作；其中，对于q特征，使用全局池化层进行空间压缩，变成1x1大小；而v特征大小仍然保持原输入f的大小；由于q空间压缩，采用softmax对q的信息进行增强；然后将q和v进行矩阵乘法，然后接上frs,其表示采用reshape和sigmoid操作，使得所有的参数都保持在0-1之间；
19、总的输出为：
20、
21、前述的一种基于注意力机制的农作物病害识别方法中，构建模型整体训练损失具体为，包括三个部分：矩形框损失lossloc、置信度损失lossconf和分类损失losscls；
22、矩形框损失lossloc使用ciou损失计算和dfl损失，其公式为：
23、
24、
25、上式中，s是特征图的大小，b是每个单元格的预测框数量，表示第i个单元格中第j个预测框是否包含目标的二值标签，xi、yi、wi、hi表示第i个单元格的中心点坐标和宽高，表示预测框的中心坐标和宽高，是ciou函数，用于计算预测框和真实框的iou值；λcoord则是定位损失的权重系数；
26、分类损失losscls公式如下：
27、
28、pi,j(c)是表示第i个格子中第j个框属于第c个类别的概率，是模型预测的第i个格子中本文档来自技高网...
【技术保护点】
1.一种基于注意力机制的农作物病害识别方法，其特征在于：该农作物病害识别方法包括有以下步骤：农作物病害数据收集及标注、数据增强、数据预处理、构建基于YOLO_V8基础架构模型、构建双分支特征融合模块BTM、构建模型整体训练损失、采用adam算法优化模型参数以及输出模型病害检测结果。
2.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：所述农作物病害数据收集及标注具体为，采用农作物不同的病害图像，采用labelme标注工具对农作物中病害区域进行标注以及添加对应的类别标签。
3.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：所述数据增强具体为，针对不同病虫害数据存在类别不均衡的问题，除了采用常规的图像几何变换、图像灰度变化和图像增强预处理方法外，还采用改进的mixup增强算法，以避免传统mixup中把背景融合进来的问题，其随机选择两个训练样本图像，根据标注的区域mask，其对应的label，使用线性插值的方法生成新的图像和对应的label，作为增强的数据：
4.根据权利要求1所述的一种基于注意力机制
5.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：所述构建基于YOLO_V8基础架构模型具体为，其网络结构主要分为：输入端、主干网络Backbone、Neck、Head四部分；主干网络Backbone：用于提取图像的特征，将输入图像转换为多层特征图，分为P1，P2，P3，P4和P5，其中P主要由步骤5提出的网络结构所构成；Neck：采用PAFPN的结构，负责对特征图进行多尺度特征融合，从而提高目标检测的准确率和效率，主要功能包括特征融合、特征增强和特征匹配；输出端：即检测头Head，主要负责将特征图转换为目标检测结果，包含目标分类、目标定位、目标置信度。
6.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：所述构建双分支特征融合模块BTM具体为，将原有C2f网络结构进行替代，其网络结构包括一分支是采用残差融合结构，通过多个不同大小的卷积核进行特征提取，再进行残差融合，使得深度卷积的输入输出通道数量增多，同时获取不同尺度的特征信息；另一分支通过引入注意力机制，增强模型的全局感受野，获取更多上下文信息，从而更加关注小目标病害特征信息；
7.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：构建模型整体训练损失具体为，包括三个部分：矩形框损失Lossloc、置信度损失Lossconf和分类损失Losscls；
8.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：采用adam算法优化模型参数具体为，迭代次数设置为1000次，初始化学习率设置为0.001，权重衰减设置为0.0005，每50次迭代，学习率衰减为原来的1/10，直到模型收敛。
9.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：输出模型病害检测结果具体为，测试时，将农作物图像，输入到模型中，输出检测到不同病害的类别，对应位置坐标以及每一个类别的概率。
10.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：所述农作物具体为三樱椒，所述病害包括炭疽病_果实，叶枯病，紫斑病，日灼病_果实，病毒病，缺铁。
...【技术特征摘要】
1.一种基于注意力机制的农作物病害识别方法，其特征在于：该农作物病害识别方法包括有以下步骤：农作物病害数据收集及标注、数据增强、数据预处理、构建基于yolo_v8基础架构模型、构建双分支特征融合模块btm、构建模型整体训练损失、采用adam算法优化模型参数以及输出模型病害检测结果。
2.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：所述农作物病害数据收集及标注具体为，采用农作物不同的病害图像，采用labelme标注工具对农作物中病害区域进行标注以及添加对应的类别标签。
3.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：所述数据增强具体为，针对不同病虫害数据存在类别不均衡的问题，除了采用常规的图像几何变换、图像灰度变化和图像增强预处理方法外，还采用改进的mixup增强算法，以避免传统mixup中把背景融合进来的问题，其随机选择两个训练样本图像，根据标注的区域mask，其对应的label，使用线性插值的方法生成新的图像和对应的label，作为增强的数据：
4.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：所述数据预处理具体为，为加快模型的收敛速度，对图像进行归一化操作，将病害图像大小设置为(640,640)，将图像像素的取值范围从0～255转为0～1之间，其公式如下：
5.根据权利要求1所述的一种基于注意力机制的农作物病害识别方法，其特征在于：所述构建基于yolo_v8基础架构模型具体为，其网络结构主要分为：输入端、主干网络backbone、neck、head四部分；主干网络backbone：用于提取图像的特征，将输入图像转换为多层特征图，分为p1，p2，p3，p4和p5，其中p主要由步骤5提出的网络...
【专利技术属性】
技术研发人员：岳佳欣，尹华国，陈仿雄，
申请(专利权)人：成都农业科技职业学院，
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。