System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及图像识别,特别涉及一种小麦病害图像识别方法、装置、介质和设备。
技术介绍
1、一般的,农作物病害是农业生产中严重的生物灾害,我国平均每年农作物病害爆发的耕种面积高达3.5亿km2,给我国农业生产带来了难以估计的经济损失。及时对小麦病害进行诊断并精准防治,能够最大限度的减少因病害造成的经济损失。传统以人工对小麦病害进行检测的方式,不仅费时费力,而且需要丰富的专业知识,检测过程具有较强的主观性,已不能够满足当前环境下对病害快速准确诊断的需求。
2、随着人工智能技术的不断发展,利用计算机视觉对农作物病害进行快速识别与诊断逐渐成为取代传统人工诊断作物病害的一种重要方法。根据特征提取方法的不同,图像识别技术可以分为依赖人工提取特征的传统机器学习算法和基于深度学习的图像识别算法两类。传统的机器学习算法有支持向量机(support vector machine,svm)、k近邻算法(k-nearest neighbor,knn)、决策树(decision tree,dt)、k均值聚类算法等。
3、现有技术中,存在用knn算法对小麦霉变程度进行分析的方法,取得了较好的识别效果。还有利用支持向量机(svm)和逻辑回归(lr)算法,结合光谱成像技术用于水稻病害检测,识别准确率达93%。近年来,深度学习技术凭借其强大的特征表达能力和无需人工提取特征的优点,在计算机视觉领域中逐渐占据了主导地位,其中,在图像识别方面应用广泛且实践效果最好的应属卷积神经网络(convolutional neural network,cnn
4、但是,上述用于图像识别的卷积神经网络,其卷积操作缺乏对图像本身的全局理解,无法建立特征之间的依赖关系,不能充分地利用上下文信息,在面对复杂多变的小麦病害图像时,如,在小麦病害发展初期,病斑较小,不易被卷积神经网络捕捉到,导致识别准确率降低。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种小麦病害图像识别方法、装置、介质和设备。
2、本说明书采用下述技术方案:
3、本说明书提供了一种小麦病害图像识别方法,包括:
4、获取健康小麦和各类型病害小麦的样本图像,标注各样本图像的真实病害类型构建样本数据集;
5、在vision transformer模型的图像块嵌入层中增加下采样层和上采样层,构建小麦病害识别模型;
6、将各样本图像输入构建得到的小麦病害识别模型进行小麦病害类型识别,得到各样本图像的预测病害类型;其中,通过上采样层和下采样层提取样本图像的局部特征,对局部特征进行分块,通过多头自注意力层基于分块后的局部特征提取病害类型全局特征以进行病害识别;
7、以最小化各样本图像的预测病害类型与真实病害类型之间的偏差为优化目标,对小麦病害识别模型进行训练;通过训练后的小麦病害识别模型进行小麦病害图像识别。
8、可选地,所述获取健康小麦和各类型病害小麦的样本图像,具体包括:
9、获取健康小麦、赤霉病小麦、白粉病小麦和锈病小麦的样本图像,调整各样本图像的尺寸至相同。
10、可选地,所述将各样本图像输入构建得到的小麦病害识别模型进行小麦病害类型识别,具体包括:
11、将各样本图像输入构建得到的小麦病害识别模型,通过上采样层和下采样层提取样本图像的局部特征,得到各样本图像的局部特征图;
12、针对每个样本图像,将其对应的局部特征图切割为多个图像块,并标注各图像块的类别标签和位置信息;
13、将标注后的各图像块输入transformer encoder层,通过其包括的多头自注意力层提取病害类型全局特征,根据病害类型全局特征对样本图像中小麦的病害类型进行识别。
14、可选地,所述构建小麦病害识别模型,具体包括:
15、对vision transformer模型的mlp block层中第一个全连接层输出向量的维度进行降维,构建小麦病害识别模型。
16、可选地,所述vision transformer模型为基于imagenet-21k数据集预训练后的vision transformer模型。
17、可选地,所述方法还包括:
18、通过数据增强方法对获取的样本图像进行扩充;其中,数据增强方法包括水平翻转、竖直翻转、随机角度旋转、尺寸变换。
19、本说明书提供了一种小麦病害图像识别装置,包括:
20、获取模块,用于获取健康小麦和各类型病害小麦的样本图像,标注各样本图像的真实病害类型构建样本数据集;
21、构建模块,用于在vision transformer模型的图像块嵌入层中增加下采样层和上采样层,构建小麦病害识别模型;
22、识别模块,用于将各样本图像输入构建得到的小麦病害识别模型进行小麦病害类型识别,得到各样本图像的预测病害类型;其中,通过上采样层和下采样层提取样本图像的局部特征,对局部特征进行分块,通过多头自注意力层基于分块后的局部特征提取病害类型全局特征以进行病害识别;
23、训练模块,用于以最小化各样本图像的预测病害类型与真实病害类型之间的偏差为优化目标,对小麦病害识别模型进行训练;通过训练后的小麦病害识别模型进行小麦病害图像识别。
24、本说明书提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述小麦病害图像识别方法。
25、本说明书提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述小麦病害图像识别方法。
26、本说明书采用的上述至少一个技术方案能够达到以下有益效果:
27、通过采用vision transformer模型,并在其图像块嵌入层中增加下采样层和上采样层,以构建得到小麦病害识别模型,最后通过标注后的样本数据对小麦病害识别模型进行训练,并通过训练后的小麦病害识别模型进行小麦病害识别。
28、本专利技术基于vision transformer模型构建小麦病害识别模型,由于visiontransformer模型利用了自注意力机制,可以对分块处理后的小麦图像进行全局理解,建立病害类型特征之间的依赖关系,并充分利用图像上下文信息,同时,通过在visiontransformer模型中加入上下采样层,能够通过提取局部特征增加小麦图像的细节信息,提高小麦病害识别模型的表达能力,更好地捕捉到小麦图像中的全局信息,本文档来自技高网...
【技术保护点】
1.一种小麦病害图像识别方法,其特征在于,包括:
2.如权利要求1所述的小麦病害图像识别方法,其特征在于,所述获取健康小麦和各类型病害小麦的样本图像,具体包括:
3.如权利要求1所述的小麦病害图像识别方法,其特征在于,所述将各样本图像输入构建得到的小麦病害识别模型进行小麦病害类型识别,具体包括:
4.如权利要求1所述的小麦病害图像识别方法,其特征在于,所述构建小麦病害识别模型,具体包括:
5.如权利要求1所述的小麦病害图像识别方法,其特征在于,所述Vision Transformer模型为基于ImageNet-21k数据集预训练后的Vision Transformer模型。
6.如权利要求2所述的小麦病害图像识别方法,其特征在于,所述方法还包括:
7.一种小麦病害图像识别装置,其特征在于,包括:
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。
9.一种计算机设备,其特征在于,包括存储器
...【技术特征摘要】
1.一种小麦病害图像识别方法,其特征在于,包括:
2.如权利要求1所述的小麦病害图像识别方法,其特征在于,所述获取健康小麦和各类型病害小麦的样本图像,具体包括:
3.如权利要求1所述的小麦病害图像识别方法,其特征在于,所述将各样本图像输入构建得到的小麦病害识别模型进行小麦病害类型识别,具体包括:
4.如权利要求1所述的小麦病害图像识别方法,其特征在于,所述构建小麦病害识别模型,具体包括:
5.如权利要求1所述的小麦病害图像识别方法,其特征在于,所述vision transformer模型为基于image...
【专利技术属性】
技术研发人员:侯志松,白玉鹏,周浩宇,赵珍威,李成林,高国红,
申请(专利权)人:河南科技学院,
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。