【技術實現步驟摘要】
本專利技術屬于農業視覺，具體涉及基于提示驅動大模型的主糧作物病害分級方法及系統。
技術介紹
1、近年來，隨著農業自動化技術的發展，尤其是深度學習技術的應用，作物病害的識別與分類得到了顯著改進。這些技術進步提高了病害檢測的準確性，并有助于更早地采取防治措施。不過，現有的方法仍存在一定的局限性，特別是在病害區域的精準分割方面，復雜的背景以及病灶形態的不規則性會導致分割精度下降，進而影響到病害分類的準確性。此外，即使正確識別了病害，如何科學合理地施用農藥依然是一個問題。不恰當的農藥使用不僅會造成環境負擔，還有可能促使作物產生抗藥性，從而導致更為嚴重的生態和健康問題。
技術實現思路
1、針對現有技術的不足，本專利技術提供基于提示驅動大模型的主糧作物病害分級方法及系統，以提高病害檢測與分級的準確性和效率。
2、為實現上述目的，本專利技術提供了如下方案：
3、基于提示驅動大模型的主糧作物病害分級方法，包括以下步驟：
4、s1：收集并預處理主糧食作物圖像，獲得主糧食作物數據集；
5、s2：基于主糧食作物數據集訓練resnet-18網絡，并基于訓練好的resnet-18網絡對待分級主糧食作物進行初始病害分級，獲得病害表征提示信息；
6、s3：利用所述病害表征提示信息驅動提示驅動大模型，分割出待分級主糧食作物圖像的病灶區域以及葉片區域；
7、s4：計算所述病灶區域占所述葉片區域的比例，獲得待分級主糧食作物圖像的最終的細粒度病害分
8、優選的，步驟s1中，所述主糧食作物數據集包括分類數據集、目標檢測微調數據集以及病灶分割數據集；
9、所述分類數據集包括病害類別數據集、作物類別數據集、病害表征類別數據集以及病害初始程度類別數據集；
10、所述目標檢測微調數據集使用labelme生成葉片和病灶區域的目標框，用于微調grounding?dino模型；
11、所述病灶分割數據集使用labelme標注病灶區域的掩膜，用于評估病灶分割精度。
12、優選的，步驟s2中，獲得病害表征提示信息的方法為：
13、利用病害初始程度類別數據集訓練第一resnet-18網絡，并利用訓練好的第一resnet-18網絡對待分級主糧食作物圖像進行初始病害分級，基于預設病害分級標準，獲得健康病害級別、嚴重病害級別以及中度病害級別；
14、基于病害表征類別數據集訓練第二resnet-18網絡，并利用訓練好的第二resnet-18網絡提取中度病害級別的待分級主糧食作物圖像的病害表征提示信息；其中，病害表征包括斑點、梭形、穿孔和不規則。
15、優選的，步驟s2中，還包括：
16、基于所述作物類別數據集訓練第三resnet-18網絡，并利用訓練好的第三resnet-18網絡對待分級主糧食作物圖像進行作物類別分類；
17、基于所述病害類別數據集訓練第四resnet-18網絡，并利用訓練好的第四resnet-18網絡對待分級主糧食作為圖像進行病害類別分類。
18、優選的，步驟s3中，獲得待分級主糧食作物圖像的病灶區域以及葉片區域的方法為：
19、基于所述目標檢測微調數據集微調grounding?dino模型，并基于構建的總損失函數約束微調過程；其中，所述總損失函數包括分類損失、回歸損失以及iou損失；
20、基于所述病害表征提示信息驅動微調后的grounding?dino模型，獲得待分級主糧食作物圖像的病灶區域目標框；
21、將所述病灶區域目標框作為病灶位置提示信息驅動sam模型，分割出待分級主糧食作物圖像的病灶區域；
22、基于葉片提示信息驅動未微調的grounding?dino模型，檢測待分級主糧食作物圖像的葉片區域目標框；
23、將所述葉片區域目標框作為葉片位置提示信息驅動sam模型，分割出待分級主糧食作物圖像的葉片區域。
24、優選的，所述病害表征提示信息包括待分級主糧食作物病害圖像以及病害表征文本描述；獲得待分級主糧食作物圖像的病灶區域目標框的方法為：
25、基于待分級主糧食作物病害圖像以及病害表征文本描述驅動微調后的groundingdino模型，微調后的grounding?dino模型使用編碼器提取待分級主糧食作物病害圖像的視覺特征和文本特征；
26、基于語言引導查詢精煉所述視覺特征，將文本特征以及精煉后的視覺特征一同送入解碼器進行目標檢測，獲得所述病灶區域邊界框。
27、本專利技術還提供基于提示驅動大模型的主糧作物病害分級系統，用于實現所述方法，包括：
28、數據集構建模塊，用于收集并預處理主糧食作物圖像，獲得主糧食作物數據集；
29、初始病害分級模塊，用于基于主糧食作物數據集訓練resnet-18網絡，并基于訓練好的resnet-18網絡對待分級主糧食作物進行初始病害分級，獲得病害表征提示信息；
30、檢測模塊，用于利用所述病害表征提示信息驅動提示驅動大模型，分割出待分級主糧食作物圖像的病灶區域以及葉片區域；
31、最終病害分級模塊，用于計算所述病灶區域占所述葉片區域的比例，獲得待分級主糧食作物圖像的最終的細粒度病害分級結果，完成基于提示驅動大模型的主糧作物病害分級。
32、優選的，還包括精度評估模塊，用于對所述病灶區域以及所述葉片區域的分割精度進行評估。
33、與現有技術相比，本專利技術的有益效果為：通過驅動大模型，本專利技術顯著提高了病害識別的精度。尤其在面對含有細微、大小不一且分散的判別性特征的病害數據時，本專利技術表現出了極強的針對性。技術方案由多個階段組成，包括作物分類、初始病害分級、提示信息分類、病變檢測和病灶比例計算等，每個階段都經過精心設計和優化，以確保整體系統的高效性和準確性。此外，本專利技術還引入了精細調整過的groundingdino和sam組件，它們協同工作，共同實現了對病害部位的精準定位和分割。這樣的設計使得系統能夠在實際的農業生產環境中有效地檢測和分析植物病害，降低了病害管理成本，提升了農作物的質量和產量。總的來說，本專利技術為現代農業提供了更為智能、高效的解決方案，有望成為未來病害監測和防治的重要工具。
本文檔來自技高網...【技術保護點】
1.基于提示驅動大模型的主糧作物病害分級方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于提示驅動大模型的主糧作物病害分級方法，其特征在于，步驟S1中，所述主糧食作物數據集包括分類數據集、目標檢測微調數據集以及病灶分割數據集；
3.根據權利要求2所述的基于提示驅動大模型的主糧作物病害分級方法，其特征在于，步驟S2中，獲得病害表征提示信息的方法為：
4.根據權利要求3所述的基于提示驅動大模型的主糧作物病害分級方法，其特征在于，步驟S2中，還包括：
5.根據權利要求3所述的基于提示驅動大模型的主糧作物病害分級方法，其特征在于，步驟S3中，獲得待分級主糧食作物圖像的病灶區域以及葉片區域的方法為：
6.根據權利要求5所述的基于提示驅動大模型的主糧作物病害分級方法，其特征在于，所述病害表征提示信息包括待分級主糧食作物病害圖像以及病害表征文本描述；獲得待分級主糧食作物圖像的病灶區域目標框的方法為：
7.基于提示驅動大模型的主糧作物病害分級系統，用于實現權利要求1-6任一項所述方法，其特征在于，包括：
<...【技術特征摘要】
1.基于提示驅動大模型的主糧作物病害分級方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于提示驅動大模型的主糧作物病害分級方法，其特征在于，步驟s1中，所述主糧食作物數據集包括分類數據集、目標檢測微調數據集以及病灶分割數據集；
3.根據權利要求2所述的基于提示驅動大模型的主糧作物病害分級方法，其特征在于，步驟s2中，獲得病害表征提示信息的方法為：
4.根據權利要求3所述的基于提示驅動大模型的主糧作物病害分級方法，其特征在于，步驟s2中，還包括：
5.根據權利要求3所述的基于提示驅動大模型的主糧作物病害分級方法，...
【專利技術屬性】
技術研發人員：余珮嘉，淡玉嬌，王崎，吳雪，吳興財，肖源源，陳攀峰，
申請(專利權)人：貴州大學，
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。