融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法技术

本发明专利技术涉及人工智能技术，揭露了一种融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法，包括：构建农作物叶片的历史病害图像对应的热力图，并去除所述热力图中的背景信息，得到前置病害图像；分别将所述前置病害图像映射至不同的颜色空间进行图像处理，并对处理后的图像进行图像合并及形态学处理，得到标准病斑图像；提取出所述标准病斑图像中的特征数据集，并利用所述特征数据集训练由融合了空间注意力机制模块和ghost模块的MobileNetV2构建的病害识别模型，利用所述病害识别模型识别待识别叶片图像的叶片病害。本发明专利技术可以解决农作物病害识别的准确度较低的问题。问题。问题。

【技术实现步骤摘要】
融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法


[0001]本专利技术涉及人工智能
，尤其涉及一种融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法。

技术介绍

[0002]我国是农业大国，农业发展是我国发展的重中之重。农业发展经常受天气，虫灾及其他环境病害的影响，进而导致农业产量受损。因此能够在农作物病害爆发之际，实时有效地检测出农作物病害的类别和严重程度就成为农业工作的亟待解决的问题。
[0003]现有的针对农业中农作物的病害识别方法可以通过高光谱遥感技术，但是这种方法的可识别病虫害种类相对较为单一，多用于林业生产中，并且高光谱遥感技术通常被运用于大尺度的场景下，对于小范围的病虫害发病，不能很好地识别检测出来。因此病害识别的准确度较低。

技术实现思路

[0004]本专利技术提供一种融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法，其主要目的在于解决农作物病害识别的准确度较低的问题。
[0005]为实现上述目的，本专利技术提供的一种融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法，包括：获取多张农作物叶片的历史病害图像，构建所述历史病害图像对应的热力图，并对所述热力图进行背景信息去除处理，得到前置病害图像；将所述前置病害图像变换至HIS颜色空间，得到第一映射图像，去除所述第一映射图像中的预设颜色区域，得到筛选病害图像；将所述前置病害图像映射至Lab颜色空间，得到第二映射图像，基于预设的分割算法对所述第二映射图像进行图像分割，得到分割区域图像；将所述筛选病害图像和所述分割区域图像进行图像合并，并对图像合并后的图像进行形态学处理，得到标准病斑图像；以预设的卷积神经网络作为主干网络，并在所述主干网络上添加空间注意力机制模块和ghost模块，得到初始病害识别模型；分别提取所述标准病斑图像中的颜色特征、纹理特征及形状特征并汇总为特征数据集，利用所述特征数据集对所述初始病害识别模型进行训练，得到标准病害识别模型；获取待识别叶片图像，将所述待识别叶片图像输入至所述标准病害识别模型中，得到所述待识别叶片图像的叶片病害分类结果。
[0006]可选地，所述构建所述历史病害图像对应的热力图，包括：将所述历史病害图像裁剪为预设大小的初始病害图像；识别出所述初始病害图像的四个顶点，并计算所述初始病害图像的四个顶点的热
力值信息，得到基本热力值；基于所述基本热力值对所述初始病害图像进行双线性插值处理，得到所述初始病害图像中多个像素点的像素热力值；根据多个像素点的像素热力值绘制所述历史病害图像对应的热力图。
[0007]可选地，所述多个像素点的像素热力值绘制所述历史病害图像对应的热力图，包括：将多个所述像素点的像素热力值映射至预设的直角坐标系上，得到像素热力图；对所述像素热力图进行分块，得到多个分块热力图；计算多个所述分块热力图的权重因子，将所述权重因子小于预设权重阈值的分块热力图执行删除处理，并保留所述权重因子大于所述预设权重阈值的分块热力图，得到所述历史病害图像对应的热力图。
[0008]可选地，所述将所述前置病害图像变换至HIS颜色空间，得到第一映射图像，包括：获取所述前置病害图像中的红色值、绿色值和蓝色值；基于预设的颜色变换公式将所述红色值、所述绿色值和所述蓝色值转换为色度值、饱和度值和亮度值；根据所述色度值、所述饱和值和所述亮度值构建第一映射图像。
[0009]可选地，所述以预设的卷积神经网络作为主干网络，并在所述主干网络上添加空间注意力机制模块和ghost模块，得到初始病害识别模型，包括：在所述卷积神经网络后加入混合通道和所述空间注意力机制模块；将所述空间注意力机制模块中的卷积层替换为ghost模块，得到初始病害识别模块。
[0010]可选地，所述利用所述特征数据集对所述初始病害识别模型进行训练，得到标准病害识别模型，包括：利用所述初始病害识别模型中ghost模块的深度可分离卷积算法对所述特征数据集进行卷积处理，得到卷积数据集；对所述卷积数据集进行池化处理，得到池化数据集；将所述池化数据集输入至所述初始病害识别模型中的空间注意力机制模块中，得到注意力数据集；将所述注意力数据集输入至预设的激活函数中，得到激活值，根据所述激活值确定所述特征数据集对应的初始病害分类；当所述初始病害分类与预设的真实预测分类一致时，将所述初始病害识别模型输出为标准病害识别模型；当所述初始病害分类与所述真实预测分类不一致时，对所述初始病害识别模型进行参数调整，并将所述特征数据集输入至参数调整后的初始病害识别模型中，得到调整分类结果；当所述调整分类结果与所述真实预测分类一致时，将参数调整后的初始病害识别模型输出为标准病害识别模型。
[0011]可选地，所述将所述池化数据集输入至所述初始病害识别模型中的空间注意力机制模块中，得到注意力数据集，包括：
其中，为注意力数据集，(
·
)为sigmoid非线性激活函数，MLP表示所述空间注意力机制模块中的共享网络，和分别表示所述共享网络中多层感知器中的隐藏权重和输出层权重， 和 分别表示全局平均池化特征和最大池化特征，为池化数据集。
[0012]本专利技术实施例中，通过构建农作物叶片的历史病害图像对应的热力图并执行背景信息去除处理，使得得到的前置病害图像中的病害区域更加明显，分别将所述前置病害图像映射至不同的颜色空间并进行颜色区域去除处理或者图像分割处理，将进行颜色区域去除处理和图像分割处理进行图像合并，提高了图像合并后的图像的连贯性，并进行形态学处理，使得图像中的病斑清晰且相互独立。改进卷积神经网络，添加了空间注意力机制模块和ghost模块，得到初始病害识别模型，加入空间注意力机制模块能有效去除了无效特征，增强网络对于特征的细化能力，加入ghost模块从而达到不增加参数量和计算量的情况下保证了网络模型的精度的目的。基于特征数据集对初始病害模型进行训练，使得得到的标准病害识别模型进行病害识别更加准确，利用所述标准病害识别模型对待识别叶片图像进行识别，得到叶片病害分类结果。因此本专利技术提出的融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法可以解决农作物病害识别的准确度较低的问题。
附图说明
[0013]图1为本专利技术一实施例提供的融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法的流程示意图；图2为本专利技术一实施例提供的融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类装置的功能模块图；图3为本专利技术一实施例提供的实现所述融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法的电子设备的结构示意图。
[0014]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0015]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0016]本申请实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法，其特征在于，所述方法包括：获取多张农作物叶片的历史病害图像，构建所述历史病害图像对应的热力图，并对所述热力图进行背景信息去除处理，得到前置病害图像；将所述前置病害图像变换至HIS颜色空间，得到第一映射图像，去除所述第一映射图像中的预设颜色区域，得到筛选病害图像；将所述前置病害图像映射至Lab颜色空间，得到第二映射图像，基于预设的分割算法对所述第二映射图像进行图像分割，得到分割区域图像；将所述筛选病害图像和所述分割区域图像进行图像合并，并对图像合并后的图像进行形态学处理，得到标准病斑图像；以预设的MobileNetV2作为主干网络，并在所述主干网络上添加空间注意力机制模块和ghost模块，得到初始病害识别模型；分别提取所述标准病斑图像中的颜色特征、纹理特征及形状特征并汇总为特征数据集，利用所述特征数据集对所述初始病害识别模型进行训练，得到标准病害识别模型；获取待识别叶片图像，将所述待识别叶片图像输入至所述标准病害识别模型中，得到所述待识别叶片图像的叶片病害分类结果。2.如权利要求1所述的融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法，其特征在于，所述构建所述历史病害图像对应的热力图，包括：将所述历史病害图像裁剪为预设大小的初始病害图像；识别出所述初始病害图像的四个顶点，并计算所述初始病害图像的四个顶点的热力值信息，得到基本热力值；基于所述基本热力值对所述初始病害图像进行双线性插值处理，得到所述初始病害图像中多个像素点的像素热力值；根据多个像素点的像素热力值绘制所述历史病害图像对应的热力图。3.如权利要求2所述的融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法，其特征在于，所述根据多个像素点的像素热力值绘制所述历史病害图像对应的热力图，包括：将多个所述像素点的像素热力值映射至预设的直角坐标系上，得到像素热力图；对所述像素热力图进行分块，得到多个分块热力图；计算多个所述分块热力图的权重因子，将所述权重因子小于预设权重阈值的分块热力图执行删除处理，并保留所述权重因子大于所述预设权重阈值的分块热力图，得到所述历史病害图像对应的热力图。4.如权利要求1所述的融合ghost模块和注意力机制的MobileNetV2农作物叶片图像分类方法，其特征在于，所述将所...

【专利技术属性】
技术研发人员：董琴，黄乾峰，王昕，陈瑾，
申请(专利权)人：云火科技盐城有限公司，
类型：发明
国别省市：