本發(fā)明涉及葉片病害識(shí)別，特別涉及基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法。

背景技術(shù)：

1、農(nóng)業(yè)中的作物葉片病害識(shí)別，葉片的不同類病害圖像之間有很大相似性，同類病害由于所處階段不同，使得圖像差異很大，即類間差異性較小而類內(nèi)差異性較大，這給實(shí)際識(shí)別帶來了較大困難，這是一個(gè)典型的細(xì)粒度識(shí)別問題。

2、葉片病害圖像類內(nèi)差異性較大而類間差異性較小，對目標(biāo)的局部區(qū)域進(jìn)行精細(xì)的特征表示極其重要，而復(fù)雜的網(wǎng)絡(luò)可以一定程度提取精細(xì)特征，但對計(jì)算機(jī)內(nèi)存占用大，消耗大量計(jì)算資源。

3、為了進(jìn)一步提高識(shí)別準(zhǔn)確率，把作物病害識(shí)別問題看作細(xì)粒度分類問題，針對溫室現(xiàn)場實(shí)際環(huán)境背景復(fù)雜、干擾多，病斑區(qū)域小，與枯萎、土壤等差異不明顯，識(shí)別準(zhǔn)確率不高的問題，我們提出基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，以解決上述背景技術(shù)中提出的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，包括以下步驟：

3、步驟一：構(gòu)建識(shí)別模型、重組-生成模型以及判別模型；

4、步驟二：收集健康以及不同病害的葉片圖片并構(gòu)建的到數(shù)據(jù)集，并將數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

5、步驟三：通過數(shù)據(jù)集內(nèi)的訓(xùn)練集對構(gòu)建識(shí)別模型、重組-生成模型以及判別模型進(jìn)行訓(xùn)練；

6、步驟四：通過數(shù)據(jù)集內(nèi)的測試集對訓(xùn)練后的識(shí)別模型、重組-生成模型以及判別模型進(jìn)行測試；

7、步驟五：將完成測試的識(shí)別模型對實(shí)際待檢測圖片進(jìn)行識(shí)別，得到識(shí)別結(jié)果。

8、優(yōu)選的，所述識(shí)別模型包括編碼網(wǎng)絡(luò)模塊、注意力網(wǎng)絡(luò)模塊和分類網(wǎng)絡(luò)模塊，所述編碼網(wǎng)絡(luò)模塊用于提取輸入圖片的特征并得到兩個(gè)長度為256的向量，再經(jīng)過重參數(shù)化的技巧采樣得到隱向量z，所述分類網(wǎng)絡(luò)模塊用于判定類別。

9、優(yōu)選的，所述編碼網(wǎng)絡(luò)模塊為一系列的卷積層組成，所述編碼網(wǎng)絡(luò)模塊包括conv子模塊、4layers子模塊、scaleblock子模塊、reducemean子模塊、scale_fc子模塊和fc子模塊。

10、優(yōu)選的，所述4layers子模塊由scale單元、senet單元和downsample單元替組成，所述scale子模塊用于提取特征，所述downsample單元用于減少每個(gè)特征圖的大小、增加通道的數(shù)量。

11、優(yōu)選的，所述重組-生成模型包括編碼網(wǎng)絡(luò)模塊、注意力網(wǎng)絡(luò)模塊、重組網(wǎng)絡(luò)模塊和生成網(wǎng)絡(luò)模塊，所述重組網(wǎng)絡(luò)模塊用來打亂局部區(qū)域的空間分布，把原輸入圖像分塊后重新組合，所述重組網(wǎng)絡(luò)模塊的工作方式為將輸入圖像劃分為很多局部區(qū)域，然后通過重組機(jī)制來打亂他們并重新組合為一張圖片。

12、優(yōu)選的，所述重組網(wǎng)絡(luò)模塊的具體工作步驟為：對一張大小為128×128的圖片i，將其劃分為n×n個(gè)子區(qū)域，每個(gè)區(qū)域標(biāo)記為rij，用以在平面區(qū)域內(nèi)打亂這些局部區(qū)域，先把同一行的列交換，再把同一列的行數(shù)據(jù)交換，最后按照重排數(shù)組重新組合圖片。

13、優(yōu)選的，所述生成網(wǎng)絡(luò)模塊采用生成網(wǎng)絡(luò)恢復(fù)局部區(qū)域的原始空間布局，以模擬局部區(qū)域之間的語義相關(guān)性。

14、優(yōu)選的，所述生成網(wǎng)絡(luò)模塊用于將向量轉(zhuǎn)換為將大小為256的潛在向量遠(yuǎn)遠(yuǎn)為大小為128×128×3的圖像。

15、優(yōu)選的，所述判別模型包括編碼網(wǎng)絡(luò)模塊、注意力模塊和判別網(wǎng)絡(luò)模塊，所述判別網(wǎng)絡(luò)模塊用于區(qū)分生成的圖像和真實(shí)的圖像。

16、優(yōu)選的，所述數(shù)據(jù)集的種類包括番茄健康葉片、番茄細(xì)菌性斑點(diǎn)病葉片、番茄早疫病葉片、番茄晚疫病葉片、番茄葉霉病葉片、番茄花葉病毒葉片、番茄斑枯病葉片、番茄輪斑病葉片、番茄二斑葉螨病葉片和番茄黃曲病葉片，所述數(shù)據(jù)集中包括百分之七十的訓(xùn)練集和百分之三十的測試集。

17、本發(fā)明的技術(shù)效果和優(yōu)點(diǎn)：

18、本發(fā)明利用重組-生成模型的構(gòu)建，采用重組-生成方式來增強(qiáng)細(xì)粒度識(shí)別的難度并且訓(xùn)練分類模型來獲取專家知識(shí)，由于重組-生成方法只在訓(xùn)練時(shí)使用，并不會(huì)增加網(wǎng)絡(luò)的復(fù)雜性，在識(shí)別期間不需要任何額外知識(shí)，除了標(biāo)準(zhǔn)分類網(wǎng)絡(luò)的前饋階段，模型在推理階段并不參與運(yùn)算，在實(shí)際模型部署和生產(chǎn)環(huán)境下不會(huì)引入額外的計(jì)算開銷和存儲(chǔ)消耗，與傳統(tǒng)分類網(wǎng)絡(luò)相比，提出的方法的泛化能力增強(qiáng)，識(shí)別精度有了進(jìn)一步提升。

技術(shù)特征：

1.基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，其特征在于，所述識(shí)別模型包括編碼網(wǎng)絡(luò)模塊、注意力網(wǎng)絡(luò)模塊和分類網(wǎng)絡(luò)模塊，所述編碼網(wǎng)絡(luò)模塊用于提取輸入圖片的特征并得到兩個(gè)長度為256的向量，再經(jīng)過重參數(shù)化的技巧采樣得到隱向量z，所述分類網(wǎng)絡(luò)模塊用于判定類別。

3.根據(jù)權(quán)利要求2所述的基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，其特征在于，所述編碼網(wǎng)絡(luò)模塊為一系列的卷積層組成，所述編碼網(wǎng)絡(luò)模塊包括conv子模塊、4layers子模塊、scaleblock子模塊、reducemean子模塊、scale_fc子模塊和fc子模塊。

4.根據(jù)權(quán)利要求3所述的基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，其特征在于，所述4layers子模塊由scale單元、senet單元和downsample單元替組成，所述scale子模塊用于提取特征，所述downsample單元用于減少每個(gè)特征圖的大小、增加通道的數(shù)量。

5.根據(jù)權(quán)利要求1所述的基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，其特征在于，所述重組-生成模型包括編碼網(wǎng)絡(luò)模塊、注意力網(wǎng)絡(luò)模塊、重組網(wǎng)絡(luò)模塊和生成網(wǎng)絡(luò)模塊，所述重組網(wǎng)絡(luò)模塊用來打亂局部區(qū)域的空間分布，把原輸入圖像分塊后重新組合，所述重組網(wǎng)絡(luò)模塊的工作方式為將輸入圖像劃分為很多局部區(qū)域，然后通過重組機(jī)制來打亂他們并重新組合為一張圖片。

6.根據(jù)權(quán)利要求5所述的基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，其特征在于，所述重組網(wǎng)絡(luò)模塊的具體工作步驟為：對一張大小為128×128的圖片i，將其劃分為n×n個(gè)子區(qū)域，每個(gè)區(qū)域標(biāo)記為rij，用以在平面區(qū)域內(nèi)打亂這些局部區(qū)域，先把同一行的列交換，再把同一列的行數(shù)據(jù)交換，最后按照重排數(shù)組重新組合圖片。

7.根據(jù)權(quán)利要求5所述的基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，其特征在于，所述生成網(wǎng)絡(luò)模塊采用生成網(wǎng)絡(luò)恢復(fù)局部區(qū)域的原始空間布局，以模擬局部區(qū)域之間的語義相關(guān)性。

8.根據(jù)權(quán)利要求7所述的基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，其特征在于，所述生成網(wǎng)絡(luò)模塊用于將向量轉(zhuǎn)換為將大小為256的潛在向量遠(yuǎn)遠(yuǎn)為大小為128×128×3的圖像。

9.根據(jù)權(quán)利要求1所述的基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，其特征在于，所述判別模型包括編碼網(wǎng)絡(luò)模塊、注意力模塊和判別網(wǎng)絡(luò)模塊，所述判別網(wǎng)絡(luò)模塊用于區(qū)分生成的圖像和真實(shí)的圖像。

10.根據(jù)權(quán)利要求1所述的基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，其特征在于，所述數(shù)據(jù)集的種類包括番茄健康葉片、番茄細(xì)菌性斑點(diǎn)病葉片、番茄早疫病葉片、番茄晚疫病葉片、番茄葉霉病葉片、番茄花葉病毒葉片、番茄斑枯病葉片、番茄輪斑病葉片、番茄二斑葉螨病葉片和番茄黃曲病葉片，所述數(shù)據(jù)集中包括百分之七十的訓(xùn)練集和百分之三十的測試集。

技術(shù)總結(jié)
本發(fā)明公開了基于注意力深度神經(jīng)網(wǎng)絡(luò)的細(xì)粒度葉片病害識(shí)別方法，包括以下步驟：構(gòu)建識(shí)別模型、重組?生成模型以及判別模型；構(gòu)建的到數(shù)據(jù)集；對模型進(jìn)行訓(xùn)練；對模型進(jìn)行測試；將完成測試的識(shí)別模型對實(shí)際待檢測圖片進(jìn)行識(shí)別。本發(fā)明利用重組?生成模型的構(gòu)建，采用重組?生成方式來增強(qiáng)細(xì)粒度識(shí)別的難度并且訓(xùn)練分類模型來獲取專家知識(shí)，由于重組?生成方法只在訓(xùn)練時(shí)使用，并不會(huì)增加網(wǎng)絡(luò)的復(fù)雜性，在識(shí)別期間不需要任何額外知識(shí)，除了標(biāo)準(zhǔn)分類網(wǎng)絡(luò)的前饋階段，模型在推理階段并不參與運(yùn)算，在實(shí)際模型部署和生產(chǎn)環(huán)境下不會(huì)引入額外的計(jì)算開銷和存儲(chǔ)消耗，與傳統(tǒng)分類網(wǎng)絡(luò)相比，提出的方法的泛化能力增強(qiáng)，識(shí)別精度有了進(jìn)一步提升。

技術(shù)研發(fā)人員：吳陽,劉潔,劉瑜揚(yáng),徐金濤,王奕森,鄧煬,魏星蕊
受保護(hù)的技術(shù)使用者：無錫太湖學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9