【技術實現步驟摘要】
本專利技術屬于智慧農業領域，具體涉及一種葉片疾病識別方法、可讀存儲介質。
技術介紹
1、植物病害防治的關鍵是能夠及時準確地檢測病害危害區域，并對其病害類型進行辨識。在現代智慧農業生產中，葉片病害是直接影響植物產量和質量的重要因素，也相對容易檢測。
2、隨著計算機視覺和深度學習的發展，基于圖像的疾病識別逐漸成為研究熱點。一系列定制化的改進卷積神經網絡(cnn)模型被應用于植物病害識別與分類，并取得了很好的效果。當然，往往獲得高準確率的分類模型的結構也越復雜，如在imagenet上訓練的vgg16、resnet50、densenet、inceptionnet等。將此類模型部署在諸如物聯網設備等計算資源有限的移動設備上仍然是一個挑戰。然而，作物疾病快速檢測識別更希望在移動設備上部署，以適應更加便捷的應用。但是，現有的輕量級cnn模型難以取得高精度的分類結果，如基于ssd(single?shot?multibox?detector)設計的一個蘋果病害檢測模型，當部署在移動設備上時，檢測準確率僅為83.12％。因此如何獲取更高精度并且更適合移動端部署的模型對于植物疾病診斷是非常重要的。
3、此外，不同豐富的特征對于深度學習任務非常重要。特征提取不足會影響圖像檢測和分類的準確性。傳統的深度卷積網絡傾向于增加網絡深度和濾波器數量來豐富特征空間，但是這種方法會導致網絡參數的規模顯著增加。而在葉片疾病圖像分類中，存在太多同一類疾病的病斑大小差異大，不同類疾病的病斑相似度高的情況。另外，不同疾病的病斑大小、形狀和顏色各不相同
技術實現思路
1、針對現有技術的不足，本專利技術提出一種葉片疾病識別方法，該方法混合多尺度融合網絡，將多分支融合注意力機制結合多尺度融合網絡，以融合深層病斑和淺層病斑特征，以實現葉片疾病圖像的更準確分類。
2、為了實現上述目的，本專利技術一方面提供一種葉片疾病識別方法，包含：
3、以待檢測作物的葉片圖像為輸入，利用一特征提取網絡對該葉片圖像提取出淺層病斑特征與深層病斑特征；
4、接收該淺層病斑特征與深層病斑特征作為輸入，利用一多尺度融合網絡，對該淺層病斑特征和該深層病斑特征進行融合，生成目標融合特征；
5、接收該目標融合特征，利用一分類網絡，獲取疾病分類結果。
6、在一實施例中，該特征提取網絡包含：
7、第一提取模塊，配置有卷積層、批量歸一化和relu層、池化層；
8、第二提取模塊，與該第一提取模塊的輸出端連接，配置有多個殘差塊；
9、第三提取模塊，與該第二提取模塊的輸出端連接，配置有多個殘差塊以及與該多個殘差塊的輸出端連接的多分支協調注意力子模塊；
10、該葉片圖像經過該第一提取模塊、該第二提取模塊標識出第一淺層病斑特征；
11、該葉片圖像經過該第一提取模塊、該第二提取模塊、該第三提取模塊標識出第二淺層病斑特征，該淺層病斑特征包含該第一淺層病斑特征、第二淺層病斑特征。
12、在一實施例中，該特征提取網絡還包含：
13、第四提取模塊，與該第二提取模塊的輸出端連接，配置有多個殘差塊以及與該多個殘差塊的輸出端連接的多分支協調注意力子模塊，且第四提取模塊配置的多個殘差塊的數量多于該第三提取模塊配置的多個殘差塊的數量；
14、該葉片圖像經過該第一提取模塊、該第二提取模塊、該第四提取模塊標識出第一深層病斑特征，該深層病斑特征包含該第一深層病斑特征。
15、在一實施例中，該多分支協調注意力子模塊包含第一分支、第二分支、第三分支、第四分支、殘差連接分支；
16、該多分支協調注意力子模塊將與其連接的該多個殘差塊輸出的特征作為輸入特征，其中：
17、該第一分支配置有卷積層、批量歸一化和relu層，該輸入特征經過該第一分支，輸出第一輸出特征；
18、該第二分支配置有卷積層、批量歸一化和relu層、協調注意力機制，該輸入特征經過該第二分支，輸出第二輸出特征；
19、該第三分支配置有卷積層、批量歸一化和relu層、協調注意力機制，該輸入特征經過該第三分支，輸出第三輸出特征；
20、該第四分支配置有卷積層、批量歸一化和relu層、池化層，該輸入特征經過該第四分支，輸出第四輸出特征；
21、將該第一輸出特征、第二輸出特征、第三輸出特征、第四輸出特征進行拼接與卷積操作，得到拼接特征；
22、該殘差連接分支配置有卷積層、批量歸一化和relu層，該輸入特征經過該殘差連接分支與該拼接特征進一步拼接，得到目標輸出特征，該目標輸出特征包含該第二淺層病斑特征或者該第一深層病斑特征。
23、在一實施例中，將該淺層病斑特征和該深層病斑特征進行融合，得到目標融合特征，包含：
24、將該第一淺層病斑特征、第二淺層病斑特征、第一深層病斑特征進行拼接和卷積操作，得到該目標融合特征，該目標融合特征的通道數與該第一深層病斑特征的通道數相同。
25、在一實施例中，該多尺度融合網絡包含：
26、第一處理模塊，配置有空間注意力機制和池化層，用以接收該第一淺層病斑特征，經過空間注意力機制和池化層的兩次最大池化的下采樣操作，得到第一特征；
27、第二處理模塊，配置有空間注意力機制和池化層，用以接收該第二淺層病斑特征，經過空間注意力機制和池化層的一次最大池化的下采樣操作，得到第二特征；
28、第三處理模塊，配置有通道注意力機制，用以接收該第一深層病斑特征經過通道注意力機制，得到第三特征；
29、將該第一特征、第二特征、第一特征進行拼接和卷積操作，得到該目標融合特征。
30、在一實施例中，該分類網絡配置有池化層、線性層和softmax激活函數，用以接收該目標融合特征，經過池化層、線性層和softmax激活函數處理，得到該疾病分類結果。
31、在一實施例中，還包含：
32、利用該待檢測作物的葉片圖像構建數據集，并將該數據集進行預處理。
33、在一實施例中，利用哈希算法比較數據集中任意兩張圖像的哈希值，當哈希值的差值小于預設閾值時，判定這兩張圖像是重復的，去除其中一張圖像。
34、本專利技術另一方面還提供了一種可讀存儲介質，可讀存儲介質上存儲有程序或指令，該程序或指令被處理器執行時實現上述葉片疾病識別方法的步驟，且能達到相同的技術效果。
35、由以上方案可知，本專利技術的優點在于：
36、本專利技術提供的葉片疾病識別方法，其基于多分支注意力機制構建特征提取網絡，基于通道注意力機制和空間注意力機制構建多尺度融合網絡，以待檢測作物的葉片圖像為輸入，利用該特征提取網絡對該葉片圖像提取出淺層病斑特征與深層病斑特征；本文檔來自技高網...
【技術保護點】
1.一種葉片疾病識別方法，其特征在于，包含：
2.根據權利要求1所述的葉片疾病識別方法，其特征在于，該特征提取網絡包含：
3.根據權利要求2所述的葉片疾病識別方法，其特征在于，該特征提取網絡還包含：
4.根據權利要求3所述的葉片疾病識別方法，其特征在于，該多分支協調注意力子模塊包含第一分支、第二分支、第三分支、第四分支、殘差連接分支；
5.根據權利要求3所述的葉片疾病識別方法，其特征在于，
6.根據權利要求5所述的葉片疾病識別方法，其特征在于，
7.根據權利要求1所述的葉片疾病識別方法，其特征在于，
8.根據權利要求1所述的葉片疾病識別方法，其特征在于，還包含：
9.根據權利要求8所述的葉片疾病識別方法，其特征在于，
10.一種可讀存儲介質，可讀存儲介質上存儲有程序或指令，其特征在于，該程序或指令被處理器執行時實現權利要求1-9任一項所述的葉片疾病識別方法的步驟。
【技術特征摘要】
1.一種葉片疾病識別方法，其特征在于，包含：
2.根據權利要求1所述的葉片疾病識別方法，其特征在于，該特征提取網絡包含：
3.根據權利要求2所述的葉片疾病識別方法，其特征在于，該特征提取網絡還包含：
4.根據權利要求3所述的葉片疾病識別方法，其特征在于，該多分支協調注意力子模塊包含第一分支、第二分支、第三分支、第四分支、殘差連接分支；
5.根據權利要求3所述的葉片疾病識別方法，其特征在于，<...
【專利技術屬性】
技術研發人員：臧紅巖，付海燕，黃麗麗，張守榮，胡倩，王萬振，雷騰飛，薩拉赫丁，
申請(專利權)人：齊魯理工學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。