基于注意力深度神经网络的细粒度叶片病害识别方法技术

本发明专利技术公开了基于注意力深度神经网络的细粒度叶片病害识别方法，包括以下步骤：构建识别模型、重组‑生成模型以及判别模型；构建的到数据集；对模型进行训练；对模型进行测试；将完成测试的识别模型对实际待检测图片进行识别。本发明专利技术利用重组‑生成模型的构建，采用重组‑生成方式来增强细粒度识别的难度并且训练分类模型来获取专家知识，由于重组‑生成方法只在训练时使用，并不会增加网络的复杂性，在识别期间不需要任何额外知识，除了标准分类网络的前馈阶段，模型在推理阶段并不参与运算，在实际模型部署和生产环境下不会引入额外的计算开销和存储消耗，与传统分类网络相比，提出的方法的泛化能力增强，识别精度有了进一步提升。

【技术实现步骤摘要】

本专利技术涉及叶片病害识别，特别涉及基于注意力深度神经网络的细粒度叶片病害识别方法。

技术介绍

1、农业中的作物叶片病害识别，叶片的不同类病害图像之间有很大相似性，同类病害由于所处阶段不同，使得图像差异很大，即类间差异性较小而类内差异性较大，这给实际识别带来了较大困难，这是一个典型的细粒度识别问题。

2、叶片病害图像类内差异性较大而类间差异性较小，对目标的局部区域进行精细的特征表示极其重要，而复杂的网络可以一定程度提取精细特征，但对计算机内存占用大，消耗大量计算资源。

3、为了进一步提高识别准确率，把作物病害识别问题看作细粒度分类问题，针对温室现场实际环境背景复杂、干扰多，病斑区域小，与枯萎、土壤等差异不明显，识别准确率不高的问题，我们提出基于注意力深度神经网络的细粒度叶片病害识别方法。

技术实现思路

1、本专利技术的目的在于提供基于注意力深度神经网络的细粒度叶片病害识别方法，以解决上述
技术介绍
中提出的问题。

2、为实现上述目的，本专利技术提供如下技术方案：基于注意力深度神本文档来自技高网...

【技术保护点】

1.基于注意力深度神经网络的细粒度叶片病害识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于注意力深度神经网络的细粒度叶片病害识别方法，其特征在于，所述识别模型包括编码网络模块、注意力网络模块和分类网络模块，所述编码网络模块用于提取输入图片的特征并得到两个长度为256的向量，再经过重参数化的技巧采样得到隐向量z，所述分类网络模块用于判定类别。

3.根据权利要求2所述的基于注意力深度神经网络的细粒度叶片病害识别方法，其特征在于，所述编码网络模块为一系列的卷积层组成，所述编码网络模块包括Conv子模块、4layers子模块、Scaleblock子模块、...

【技术特征摘要】

1.基于注意力深度神经网络的细粒度叶片病害识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于注意力深度神经网络的细粒度叶片病害识别方法，其特征在于，所述识别模型包括编码网络模块、注意力网络模块和分类网络模块，所述编码网络模块用于提取输入图片的特征并得到两个长度为256的向量，再经过重参数化的技巧采样得到隐向量z，所述分类网络模块用于判定类别。

3.根据权利要求2所述的基于注意力深度神经网络的细粒度叶片病害识别方法，其特征在于，所述编码网络模块为一系列的卷积层组成，所述编码网络模块包括conv子模块、4layers子模块、scaleblock子模块、reducemean子模块、scale_fc子模块和fc子模块。

4.根据权利要求3所述的基于注意力深度神经网络的细粒度叶片病害识别方法，其特征在于，所述4layers子模块由scale单元、senet单元和downsample单元替组成，所述scale子模块用于提取特征，所述downsample单元用于减少每个特征图的大小、增加通道的数量。

5.根据权利要求1所述的基于注意力深度神经网络的细粒度叶片病害识别方法，其特征在于，所述重组-生成模型包括编码网络模块、注意力网络模块、重组网络模块和生成网络模块，所述重组网络模块用来打乱局部区域的空间分布，把原输入图像分块后重新组合，所述重组网络模块的工作方式为将输入图像划分为很多局部区域，然后通过重组机制来打...

【专利技术属性】
技术研发人员：吴阳，刘洁，刘瑜扬，徐金涛，王奕森，邓炀，魏星蕊，
申请(专利权)人：无锡太湖学院，
类型：发明
国别省市：