一种基于多任务学习的农作物病虫害识别方法和系统技术方案

本发明专利技术公开了一种基于多任务学习的农作物病虫害识别方法和系统，首先构建包含多尺度特征信息融合模块、疾病检测分支和严重程度分类分支的农作物病虫害识别模型；通过预处理输入叶片图像，由多尺度特征信息融合模块提取并融合多尺度特征图；疾病检测分支利用区域提议网络生成病虫害候选区域，结合多尺度融合特征图经疾病检测输出病虫害位置及类别；同时，尺寸最大的融合特征图输入严重程度分类分支实现四级评估；提出了加权损失函数设计思想，能够引导多任务网络分支进行联合训练。实现端到端的多任务协同处理，通过共享多尺度融合特征图，同步完成病虫害定位、分类与严重程度评估，大幅提升识别效率，满足农业场景实时监测需求。

【技术实现步骤摘要】

本专利技术属于农作物病虫害识别，特别是涉及一种基于多任务学习的农作物病虫害识别方法和系统。

技术介绍

1、近年来，深度学习凭借其强大的特征提取和模式识别能力，有学者将自编码器网络框架用于香蕉叶病害分类。还有学者比较了多种cnn(convolutional neural network，卷积神经网络)在水稻病害分类中的表现。检测网络相比分类网络，可以识别多种病虫害。随着ssd(single shot multibox detector，单次多框检测器)、faster r-cnn(regionswith convolutional neural networks，基于区域的卷积神经网络)和yolo（you onlylook once）系列框架的提出，检测思想逐步引入农业病虫害领域。有学者采用双主干网络的ssd完成对柑橘病虫害检测，在柑橘的测试集上map(mean average precision，均值平均精度)精度指标达到了72.54%。有学者提出了一种基于快速r-cnn农作物害虫分类的云计算系统，可以更快速、方便地检测一定范围内的害虫。rcnn和ssd等网本文档来自技高网...

【技术保护点】

1.一种基于多任务学习的农作物病虫害识别方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，S200中多尺度特征信息融合模块包括ResNet-50特征提取层、FPN多尺度特征构建层、CBAM注意力增强层和ASFF自适应特征融合层，S200包括：

3.根据权利要求2所述的方法，其特征在于，S240包括：

4.根据权利要求3所述的方法，其特征在于，S243具体为：

5.根据权利要求4所述的方法，其特征在于，S300包括：

6.根据权利要求5所述的方法，其特征在于，S400包括：p>

7.根据权...

【技术特征摘要】

1.一种基于多任务学习的农作物病虫害识别方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，s200中多尺度特征信息融合模块包括resnet-50特征提取层、fpn多尺度特征构建层、cbam注意力增强层和asff自适应特征融合层，s200包括：

3.根据权利要求2所述的方法，其特征在于，s240包括：

4.根据权利要求3所述的方法，其特征在于，s243具体为：

5.根据权利要求4所述的方法，其特征在于，s300包括：

6.根据...

【专利技术属性】
技术研发人员：申晗秋，胡瑛，夏俊豪，刘俊豪，韩鹏，李缘，张梦琪，方艺颖，范琦，肖锦涛，
申请(专利权)人：湖南工程学院，
类型：发明
国别省市：