【技术实现步骤摘要】
本专利技术属于图像处理的，具体涉及一种用于农业领域植物叶片和害虫类别的智能识别方法及装置。
技术介绍
1、在现代农业生产中，准确地识别和分类不同种类的植物叶片及其上的害虫是至关重要的，因为这直接关系到病虫害的防控效率和农作物的健康生长，对于实现精准农业、病虫害管理和作物健康监测有着重要意义。传统上，这一任务主要依赖于农业专家和植保人员的经验进行视觉判断，通过直接观察或使用简单的放大设备来识别叶片病变和害虫类型。然而，这种方法存在以下几个问题：1.效率低下：手动识别耗时且劳动强度大，难以适应大规模农田的需求。2.准确性有限：识别准确度高度依赖个体经验，不同人员之间的识别结果可能存在差异。3.及时性差：人工识别反应慢，不能实现实时监控和快速响应，容易错过最佳防治时机。因此采用人工智能技术去辅助对于植物叶片和害虫图像的分类显得尤为重要，这在提高分类效率的同时，还能提升分类准确率，并且，计算机系统可以事实处理图像数据，及时发现和报告潜在的病害和害虫问题，有助于及时采取防止措施。
2、在现代农业领域，对植物叶片和害虫进行细粒度图像分类的研究正逐渐深入。近年来，多项研究展示了利用深度学习技术处理这一问题的有效性。xu等人的文章“deeplearning-based image recognition of agricultural pests”开发了一个基于级联rcnn的目标检测框架，采用了数据增强和滑动窗口裁剪等技术，以提高模型在多种害虫类型和不同图像尺寸中的识别能力。这种方法在提高害虫分类的准确率上有一定的效果。wasswa
3、在实际生产中对于不同植物叶片和害虫进行自动分类面临着多种挑战。首先是类内方差大的难点，在农业领域，即使是同一种类的植物或者害虫，其在不同生长阶段、不同光照条件或不同环境因素下的图像也可能表现出较大的差异。例如，叶片的颜色和形状会因为水分、光照或营养状况的不同而有所变换；同一种害虫在不同的成长期其大小、形态和颜色也可能不同。这些因素增加了类内方差，给图像分类带来了复杂性。其次是类间方差小的困难，许多害虫和植物叶片在视觉上具有高度相似性，使得它们之间的区分变得困难。例如，不同种类的叶斑病可能仅在斑点的边缘形状或颜色上略有差异，这需要模型能够识别并依靠这些微小的差异进行准确分类。最后是复杂图像背景干扰带来的分类困难，农业中涉及的图像背景通常复杂多变，包括其他植物、土壤、阴影等，这些都可能干扰对植物叶片和害虫的识别。例如，叶片背后的其他植物或杂草可能与目标叶片颜色相似，或者害虫可能藏匿在叶片的背面，这些都极大地增加了分类任务的难度。基于对于这些困难的综合分析，本实施例创新性地提出了一种同时关注图像中精细辨别性特征和对象整体结构特征的细粒度图像分类模型，在突出了待分类图像的前景区域的同时也重点关注了前景中对分类最有帮助的重要区域，实现了高精度的图像分类效果。
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种用于农业领域植物叶片和害虫类别的智能识别方法及装置，同时关注图像中精细辨别性特征和对象整体结构特征的细粒度图像分类模型，在突出了待分类图像的前景区域的同时也重点关注了前景中对分类最有帮助的重要区域，实现了高精度的图像分类效果。
2、为了达到上述目的，本专利技术采用以下技术方案：
3、第一方面，本专利技术提供了一种用于农业领域不同植物叶片和不同害虫的分类方法，包括下述步骤：
4、获取植物叶片数据集和农业害虫数据集并进行预处理；
5、对数据集进行数据增强；
6、构建基于自注意力机制的vision transformer骨干网络，将增强后的数据集输入至vision transformer骨干网络提取图像的特征；所述vision transformer骨干网络包括一个patch embedding层和多个transformer encoder层；每个transformer encoder层包括一个多头自注意力层mha和一个多层感知机mlp，mha利用多个注意力头并行进行处理输入，捕捉不同子空间的信息，mlp由线性层和非线性激活函数组成，用于进一步处理注意力机制的输出；在patch embedding层中，每个图像块都被编码成为一个d维的令牌，在之后的所有transformer encoder层中，每个令牌都保持这个维度，encoder编码结束之后，附加的d维的分类令牌就作为表示整张图像特征的向量用于分类；
7、通过显著性特征筛选引擎来选择骨干网络编码特征中最具辨别性区域对应的令牌用于分类；
8、通过视觉结构感知器对选择出的令牌进行视觉结构感知来提取图像中对象的整体结构以辅助分类；
9、对显著性特征筛选引擎和视觉结构感知器生成的特征进行随机部分交换丰富特征组合模式，并用可学习的参数将两部分的特征进行融合用于模型训练，利用训练好的模型对不同植物叶片和不同害虫进行分类。
10、作为优选的技术方案，所述获取植物叶片数据集和农业害虫数据集并进行预处理，具体为：
11、收集植物叶片数据集和农业害虫数据集；
12、对数据集进行筛选，去掉数据集中质量不好的图像及对应的标签，保证数据集中各个类别的图像数量均匀，图像完整；
13、将筛序后的数据集中的图像分别统一处理成设定的大小。
14、作为优选的技术方案，所述对数据集进行数据增强具体为：
15、对数据集中的图像随机裁剪、水平翻转、垂直翻转、亮度对比度的随机调整以及对图像的随机擦除，并且在最后进行数据的归一化处理。
16、作为优选的技术方案，所述构建基于自注意力机制的vision transformer骨干网络，将增强后的数据集输入至vision transformer骨干网络提取图像的特征，具体为：
17、首先使用一个线性投影层将数据集中的图像划分出来的k个块分别投影到一个d维的潜在嵌入τk，并为生成的令牌添加位置编码，再添加一个额外的分类令牌用于分类；
18、接着采用预训练的vit-b_16骨干网络作为特征提取器提取图像的特征；
19、取骨干网络最后一层编码出来的特征的第一个令牌也即最终的分类令本文档来自技高网...
【技术保护点】
1.用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，包括下述步骤：
2.根据权利要求1所述用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，所述获取植物叶片数据集和农业害虫数据集并进行预处理，具体为：
3.根据权利要求1所述用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，所述对数据集进行数据增强具体为：
4.根据权利要求1所述用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，所述构建基于自注意力机制的Vision Transformer骨干网络，将增强后的数据集输入至Vision Transformer骨干网络提取图像的特征，具体为：
5.根据权利要求1所述用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，所述通过显著性特征筛选引擎来选择骨干网络编码特征中最具辨别性区域对应的令牌用于分类，具体为：
6.根据权利要求1所述用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，所述通过视觉结构感知器对选择出的令牌进行视觉结构感知来提取图像中对象的整体结构以辅助分类，具体为：p>
7.根据权利要求1所述用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，所述训练过程具体为：
8.用于农业领域不同植物叶片和不同害虫的分类系统，其特征在于，应用于权利要求1-7中任一项所述的用于农业领域不同植物叶片和不同害虫的分类方法，包括数据获取模块、数据增强模块、骨干网络构建模块、第一分类模块、第二分类模块和特征融合模块；
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的用于农业领域不同植物叶片和不同害虫的分类方法。
...【技术特征摘要】
1.用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，包括下述步骤：
2.根据权利要求1所述用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，所述获取植物叶片数据集和农业害虫数据集并进行预处理，具体为：
3.根据权利要求1所述用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，所述对数据集进行数据增强具体为：
4.根据权利要求1所述用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，所述构建基于自注意力机制的vision transformer骨干网络，将增强后的数据集输入至vision transformer骨干网络提取图像的特征，具体为：
5.根据权利要求1所述用于农业领域不同植物叶片和不同害虫的分类方法，其特征在于，所述通过显著性特征筛选引擎来选择骨干网络编码特征中最具辨别性区域对应的令牌用于分类，具...
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。