【技術實現步驟摘要】
本申請涉及小麥病害檢測領域，具體涉及一種基于深度學習的小麥病害檢測方法。
技術介紹
1、小麥作為世界上三大主要糧食作物之一，在我國農業生產中占有舉足輕重的地位。其種植面積和產量均占據我國糧食總量的半壁江山以上，對于保障國家糧食安全和農民增收具有重要意義。然而，小麥在生長過程中面臨著多種病害的威脅，其中小麥條銹病、赤霉病和白粉病等尤為突出，這些病害對小麥的產量和質量造成了嚴重影響。
2、傳統的小麥病害檢測方法主要依賴于人工經驗，通過田間實地觀察葉片顏色、形態變化以及受害癥狀來判斷是否存在病害。這種方法不僅效率低下、勞動強度大，而且由于調查人員的主觀判斷差異，導致病害識別的精確度和分級誤差較大。
3、公開號為cn108021894a的專利技術專利提出了一種基于深度策略學習的小麥病害檢測方法，通過收集大量的小麥病害圖像，并將圖像的病害部分作為焦點，形成訓練樣本。進而利用深度神經網絡，根據構造的狀態策略、動作策略和獎勵策略來構建和訓練小麥病害圖像檢測模型，使其學習在給定狀態下采取哪些動作能夠得到最大的獎勵(即最準確地檢測到病害)。最終將待檢測的小麥圖像輸入訓練好的模型中進行病害檢測。該方案通過深度策略學習減少病害檢測所需的搜索范圍，從而有效提高了檢測效率。然而，該現有技術主要關注于對局部病害特征的學習，而忽視了病害特征與小麥整體形態之間的關聯，可能導致在復雜場景下的檢測準確性和魯棒性不足。
4、因此，期待一種優化的基于深度學習的小麥病害檢測方法。
技術實現思路>
1、考慮到以上問題而做出了本申請。本申請的一個目的是提供一種基于深度學習的小麥病害檢測方法。
2、本申請的實施例提供了一種基于深度學習的小麥病害檢測方法，其包括：
3、獲取由攝像頭采集的待檢測小麥圖像；
4、對所述待檢測小麥圖像進行前景目標多層次特征提取以得到小麥前景淺層特征圖和小麥前景深層特征圖；
5、對所述小麥前景淺層特征圖和所述小麥前景深層特征圖分別進行全局上下文交互以得到小麥前景淺層細粒度全局交互特征圖和小麥前景深層細粒度全局交互特征圖；
6、對所述小麥前景淺層細粒度全局交互特征圖和所述小麥前景深層細粒度全局交互特征圖進行細粒度聯合感知以得到小麥前景淺層-深層細粒度交互顯著融合特征圖；
7、基于所述小麥前景淺層-深層細粒度交互顯著融合特征圖，確定小麥是否存在病害。
8、例如，根據本申請的實施例的基于深度學習的小麥病害檢測方法，其中，對所述待檢測小麥圖像進行前景目標多層次特征提取以得到小麥前景淺層特征圖和小麥前景深層特征圖，包括：
9、提取所述待檢測小麥前景部分圖像的前景區域以得到待檢測小麥前景部分圖像；
10、將所述待檢測小麥前景部分圖像輸入基于空洞金字塔網絡的小麥多尺度圖像特征提取器以得到所述小麥前景淺層特征圖和所述小麥前景深層特征圖。
11、例如，根據本申請的實施例的基于深度學習的小麥病害檢測方法，其中，提取所述待檢測小麥前景部分圖像的前景區域以得到待檢測小麥前景部分圖像，包括：
12、將所述待檢測小麥圖像輸入基于yolo網絡的前景目標檢測模塊以得到所述待檢測小麥前景部分圖像。
13、例如，根據本申請的實施例的基于深度學習的小麥病害檢測方法，其中，對所述小麥前景淺層特征圖和所述小麥前景深層特征圖分別進行全局上下文交互以得到小麥前景淺層細粒度全局交互特征圖和小麥前景深層細粒度全局交互特征圖，包括：
14、將所述小麥前景淺層特征圖和所述小麥前景深層特征圖分別輸入基于transformer結構的細粒度全局交互模塊以得到所述小麥前景淺層細粒度全局交互特征圖和所述小麥前景深層細粒度全局交互特征圖。
15、例如，根據本申請的實施例的基于深度學習的小麥病害檢測方法，其中，對所述小麥前景淺層細粒度全局交互特征圖和所述小麥前景深層細粒度全局交互特征圖進行細粒度聯合感知以得到小麥前景淺層-深層細粒度交互顯著融合特征圖，包括：
16、將所述小麥前景淺層細粒度全局交互特征圖和所述小麥前景深層細粒度全局交互特征圖輸入基于細粒度解構的雙向全域注意力聯合感知模塊以得到所述小麥前景淺層-深層細粒度交互顯著融合特征圖。
17、例如，根據本申請的實施例的基于深度學習的小麥病害檢測方法，其中，將所述小麥前景淺層細粒度全局交互特征圖和所述小麥前景深層細粒度全局交互特征圖輸入基于細粒度解構的雙向全域注意力聯合感知模塊以得到所述小麥前景淺層-深層細粒度交互顯著融合特征圖，包括：
18、對所述小麥前景淺層細粒度全局交互特征圖和所述小麥前景深層細粒度全局交互特征圖進行特征細粒度解構以得到小麥前景淺層通道維度局部特征矩陣的集合和小麥前景深層通道維度局部特征矩陣的集合；
19、分別以所述小麥前景淺層通道維度局部特征矩陣的集合中的各個小麥前景淺層通道維度局部特征矩陣作為查詢特征矩陣，以所述小麥前景深層通道維度局部特征矩陣的集合作為鍵特征矩陣的集合，將所述查詢特征矩陣和所述鍵特征矩陣的集合輸入基于第一轉換器結構的單向全域注意力交互模塊以得到單向全域注意力優化小麥前景淺層通道維度局部特征矩陣的集合；
20、分別以所述小麥前景深層通道維度局部特征矩陣的集合中的各個小麥前景深層通道維度局部特征矩陣作為查詢特征矩陣，以所述小麥前景淺層通道維度局部特征矩陣的集合作為鍵特征矩陣的集合，將所述查詢特征矩陣和所述鍵特征矩陣的集合輸入基于第二轉換器結構的單向全域注意力交互模塊以得到單向全域注意力優化小麥前景深層通道維度局部特征矩陣的集合；
21、對所述單向全域注意力優化小麥前景淺層通道維度局部特征矩陣的集合和所述單向全域注意力優化小麥前景深層通道維度局部特征矩陣的集合分別進行沿通道維度的特征耦合以得到單向全域交互優化小麥前景淺層特征圖和單向全域交互優化小麥前景深層特征圖；
22、計算所述單向全域交互優化小麥前景淺層特征圖和所述單向全域交互優化小麥前景深層特征圖之間的按位置加權和以得到所述小麥前景淺層-深層細粒度交互顯著融合特征圖。
23、例如，根據本申請的實施例的基于深度學習的小麥病害檢測方法，其中，分別以所述小麥前景淺層通道維度局部特征矩陣的集合中的各個小麥前景淺層通道維度局部特征矩陣作為查詢特征矩陣，以所述小麥前景深層通道維度局部特征矩陣的集合作為鍵特征矩陣的集合，將所述查詢特征矩陣和所述鍵特征矩陣的集合輸入基于第一轉換器結構的單向全域注意力交互模塊以得到單向全域注意力優化小麥前景淺層通道維度局部特征矩陣的集合，包括：
24、分別計算所述查詢特征矩陣與所述鍵特征矩陣的集合中的各個鍵特征矩陣的轉置矩陣的矩陣乘積，再將所述矩陣乘積除以所述鍵特征矩陣的尺度的平方根后通過softmax函數以得到注意力權重矩陣的集合；
25、將所述注意力權重矩陣的集合中的各個注意力權重矩陣與所述查詢特征矩陣分別進行相乘，再將相乘本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的小麥病害檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的小麥病害檢測方法，其特征在于，對所述待檢測小麥圖像進行前景目標多層次特征提取以得到小麥前景淺層特征圖和小麥前景深層特征圖，包括：
3.根據權利要求2所述的基于深度學習的小麥病害檢測方法，其特征在于，提取所述待檢測小麥前景部分圖像的前景區域以得到待檢測小麥前景部分圖像，包括：
4.根據權利要求3所述的基于深度學習的小麥病害檢測方法，其特征在于，對所述小麥前景淺層特征圖和所述小麥前景深層特征圖分別進行全局上下文交互以得到小麥前景淺層細粒度全局交互特征圖和小麥前景深層細粒度全局交互特征圖，包括：
5.根據權利要求4所述的基于深度學習的小麥病害檢測方法，其特征在于，對所述小麥前景淺層細粒度全局交互特征圖和所述小麥前景深層細粒度全局交互特征圖進行細粒度聯合感知以得到小麥前景淺層-深層細粒度交互顯著融合特征圖，包括：
6.根據權利要求5所述的基于深度學習的小麥病害檢測方法，其特征在于，將所述小麥前景淺層細粒度全局交互特征圖和所述小麥前景
7.根據權利要求6所述的基于深度學習的小麥病害檢測方法，其特征在于，分別以所述小麥前景淺層通道維度局部特征矩陣的集合中的各個小麥前景淺層通道維度局部特征矩陣作為查詢特征矩陣，以所述小麥前景深層通道維度局部特征矩陣的集合作為鍵特征矩陣的集合，將所述查詢特征矩陣和所述鍵特征矩陣的集合輸入基于第一轉換器結構的單向全域注意力交互模塊以得到單向全域注意力優化小麥前景淺層通道維度局部特征矩陣的集合，包括：
8.根據權利要求7所述的基于深度學習的小麥病害檢測方法，其特征在于，基于所述小麥前景淺層-深層細粒度交互顯著融合特征圖，確定小麥是否存在病害，包括：
9.根據權利要求8所述的基于深度學習的小麥病害檢測方法，其特征在于，將所述小麥前景淺層-深層細粒度交互顯著融合特征圖輸入基于分類器的病害檢測模塊以得到檢測結果，所述檢測結果用于表示是否存在病害，包括：
...【技術特征摘要】
1.一種基于深度學習的小麥病害檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的小麥病害檢測方法，其特征在于，對所述待檢測小麥圖像進行前景目標多層次特征提取以得到小麥前景淺層特征圖和小麥前景深層特征圖，包括：
3.根據權利要求2所述的基于深度學習的小麥病害檢測方法，其特征在于，提取所述待檢測小麥前景部分圖像的前景區域以得到待檢測小麥前景部分圖像，包括：
4.根據權利要求3所述的基于深度學習的小麥病害檢測方法，其特征在于，對所述小麥前景淺層特征圖和所述小麥前景深層特征圖分別進行全局上下文交互以得到小麥前景淺層細粒度全局交互特征圖和小麥前景深層細粒度全局交互特征圖，包括：
5.根據權利要求4所述的基于深度學習的小麥病害檢測方法，其特征在于，對所述小麥前景淺層細粒度全局交互特征圖和所述小麥前景深層細粒度全局交互特征圖進行細粒度聯合感知以得到小麥前景淺層-深層細粒度交互顯著融合特征圖，包括：
6.根據權利要求5所述的基于深度學習的小麥病害檢測方法，其特征在于，將所述小麥前景...
【專利技術屬性】
技術研發人員：臧賀藏，王言景，趙晴，李國強，張杰，王從勝，
申請(專利權)人：河南省農業科學院農業信息技術研究所，
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。