一种基于多层级自适应注意力的农作物病虫害识别方法技术

一种基于多层级自适应注意力的农作物病虫害识别方法，应用于图像识别技术领域，解决传统卷积神经网络模型对相似度很高的农作物病虫害图像识别度低的问题；通过构建基于注意力机制的神经网络模型，构建多层级识别网络，使用模糊积分对多层次网络输出进行特征融合并输出检测结果；在网络中引入注意力机制，增强网络分类相似样本的能力，对多层级网络模型集识别结果进行融合，提升模型精度，克服单一网络模型适用性低的现象，能够根据实际需要调整参数，满足准确化快速识别农作物病虫害的实际需求，通过交错组卷积优化卷积计算量，减少模型推理时间；通过训练不同层级网络模型，通过模糊积分融合多模型识别结果，提高了农作物病虫害的识别精度。病虫害的识别精度。病虫害的识别精度。

【技术实现步骤摘要】
一种基于多层级自适应注意力的农作物病虫害识别方法


[0001]本专利技术属于图像识别
，具体涉及一种基于多层级自适应注意力的农作物病虫害识别方法。

技术介绍

[0002]民以食为天，农业是一个国家的第一产业，其发展状况不仅关乎着国民生计，也决定着一个国家的经济是否能够稳定发展。随着国民生活水平的大幅提升和国民购买力的增强，我国对农作物的产量和质量提出了更高的要求，而农作物病虫害的蔓延会导致农作物产量减少，质量受损，如果没有及时防治，还会对国家社会、经济和生态的造成严重影响。
[0003]传统方法对病作物病虫害还停留在人工田间观察的方法上，需要农业技术人员下田对细微差异的不同病虫害叶片进行人工识别，这种方法依赖于农业技术人员的经验，同时由于全国各地农业技术人员数量有限，受限于工作地点和时间，无法保障随时随地在田间从事技术支持。
[0004]近几年来深度学习和图像识别相结合的技术应用也越来越广泛，这使得对图像中的目标类别进行识别成为可能。目前很多算法都是通过卷积神经网络模型进行特征提取、然后再分类。但是这些方法也存在一定的弊端，模型单一，针对性强，普适性不高，具体的解决方案仍然存在一定的欠缺。

技术实现思路

[0005]本专利技术的目的在于设计一种基于多层级自适应注意力的农作物病虫害识别方法，以解决传统卷积神经网络模型对相似度很高的农作物病虫害图像识别度低的问题。
[0006]本专利技术是通过以下技术方案解决上述技术问题的：
[0007]一种基于多层级自适应注意力的农作物病虫害识别方法，包括以下步骤：
[0008]S1、对农作物病虫害图像集进行预处理，得到预处理后的农作物病虫害图像集；
[0009]S2、初始化q＝1，将所述预处理后的农作物病虫害图像集进行分类，分为农作物病虫害第q级训练图像集T
q
和农作物病虫害测试图像集V；
[0010]S3、构建基于交错组卷积注意力模块的神经网络模型；
[0011]S4、构建多层级识别网络；
[0012]S5、使用模糊积分对多层次网络输出进行特征融合，并输出检测结果。
[0013]本专利技术的技术方案在网络中引入注意力机制，增强了网络分类相似样本的能力，同时对多层级网络模型集识别结果进行融合，提升了模型的精度，克服了单一网络模型适用性不高的现象，从而能够根据实际需要调整参数，满足准确化快速识别农作物病虫害的实际需求，通过交错组卷积优化卷积计算量，减少模型推理时间；通过训练不同层级的网络模型，通过模糊积分融合多模型识别结果，提高了农作物病虫害的识别精度，加强实用性。
[0014]进一步地，步骤S1中所述的对农作物病虫害图像集进行预处理的方法为：对农作物病虫害图像集中的图像进行扩充增强，然后再将图像统一调整为224*224大小。
[0015]进一步地，步骤S3中所述的构建基于交错组卷积注意力模块的神经网络模型的方法如下：
[0016]S3.1、基于SE
‑
Resnet50卷积神经网络的结构设计特征提取网络f，所述的特征提取网络f由普通卷积模块A和4种交错组卷积注意力模块B、C、D、E以及全连接层fc级联组成，用于网络特征提取；
[0017]S3.2、初始化i＝1，从第q级训练集合T
q
中选取第i张输入图像x
i
，输入所述普通卷积模块A的输入层，然后经过所述交错组卷积注意力模块B、C、D、E，并输入全连接层fc，得到输入特征图后再经过softmax分类器获得输入图像x的分类结果z，O为特征向量的维度。
[0018]进一步地，所述的特征提取网络f的输入层即为普通卷积模块A的输入层，普通卷积模块A后连接3个交错组卷积注意力模块B，交错组卷积注意力模块B后连接3个交错组卷积注意力模块C，交错组卷积注意力模块C后连接(3+q)个交错组卷积注意力模块D，交错组卷积注意力模块D后连接3个交错组卷积注意力模块E；交错组卷积注意力模块E与全连接层fc相连。
[0019]进一步地，步骤S4中所述的构建多层级识别网络的方法如下：
[0020]S4.1、i＝i+1，重复步骤S3.2，将第q级训练集合T
q
中将剩余所有图像，依次作为输入图像x
i
，从而训练出第q级模型M
q
，并得到第q级训练集合T
q
中所有图像最终的特征图及分类结果；
[0021]S4.2、建立最终的特征图的评测指标。
[0022]进一步地，步骤S4.2中所述的建立最终的特征图的评测指标的方法如下：
[0023]S4.2.1、令i＝0,基于潜在语义分析将特征图集F
iq
映射为语义空间向量，计算第q级网络中x
i
的语义误差距离：
[0024][0025]式中，表示与x
i
识别结果同类别的训练样本集的个数；表示与x
i
识别结果同类别的训练样本集的语义状态特征；
[0026]S4.2.2、基于信息熵理论，农作物病虫害测试样本x
i
识别结果的语义误差信息可定义为：
[0027][0028]S4.2.3、判断所述语义误差信息大于所设定的阈值是否成立，若成立，则表示所述输入图像x
i
适用于第q级模型M
q
，i＝i+1并返回步骤S4.2.1，否则，将输入图像x
i
放入第q+1级训练集T
q+1
中；直到第q级训练集合T
q
中所有图像都测试完成，并得到最终的第q+1级训练集T
q+1
；
[0029]S4.2.4、判断q是否等于q
max
，若成立，表示所有层级的网络模型都训练完毕，执行步骤S5，否则，令q＝q+1，返回步骤S3.1，得到第q级农作物病虫害识别模型M
q
和第q+1级训练集T
q+1
。
[0030]进一步地，步骤S5中所述的使用模糊积分对多层次网络输出进行特征融合，并输出检测结果的方法具体如下：
[0031]设为针对不同的农作物病虫害样本的学习模型集构建的基于模糊积分的多模型融合联合判别机制；
[0032]S5.1、利用式(3)计算参数w：
[0033][0034]式(3)中，v
j
表示训练模型M
j
对于农作物病虫害识别的重要性；
[0035]S5.2、利用式(4)计算待识别农作物病虫害图像集合T
j
对第j级农作物病虫害识别模型模糊密度v
w
(T
j
)：
[0036]v
w
(T
j
)＝v
j
+v
w
(T
j
‑1)+w
·
v
j
·
v...

【技术保护点】

【技术特征摘要】
1.一种基于多层级自适应注意力的农作物病虫害识别方法，其特征在于，包括以下步骤：S1、对农作物病虫害图像集进行预处理，得到预处理后的农作物病虫害图像集；S2、初始化q＝1，将所述预处理后的农作物病虫害图像集进行分类，分为农作物病虫害第q级训练图像集T
q
和农作物病虫害测试图像集V；S3、构建基于交错组卷积注意力模块的神经网络模型；S4、构建多层级识别网络；S5、使用模糊积分对多层次网络输出进行特征融合，并输出检测结果。2.根据权利要求1所述的一种基于多层级自适应注意力的农作物病虫害识别方法，其特征在于，步骤S1中所述的对农作物病虫害图像集进行预处理的方法为：对农作物病虫害图像集中的图像进行扩充增强，然后再将图像统一调整为224*224大小。3.根据权利要求2所述的一种基于多层级自适应注意力的农作物病虫害识别方法，其特征在于，步骤S3中所述的构建基于交错组卷积注意力模块的神经网络模型的方法如下：S3.1、基于SE
‑
Resnet50卷积神经网络的结构设计特征提取网络f，所述的特征提取网络f由普通卷积模块A和4种交错组卷积注意力模块B、C、D、E以及全连接层fc级联组成，用于网络特征提取；S3.2、初始化i＝1，从第q级训练集合T
q
中选取第i张输入图像x
i
，输入所述普通卷积模块A的输入层，然后经过所述交错组卷积注意力模块B、C、D、E，并输入全连接层fc，得到输入特征图后再经过softmax分类器获得输入图像x的分类结果z，O为特征向量的维度。4.根据权利要求3所述的一种基于多层级自适应注意力的农作物病虫害识别方法，其特征在于，所述的特征提取网络f的输入层即为普通卷积模块A的输入层，普通卷积模块A后连接3个交错组卷积注意力模块B，交错组卷积注意力模块B后连接3个交错组卷积注意力模块C，交错组卷积注意力模块C后连接(3+q)个交错组卷积注意力模块D，交错组卷积注意力模块D后连接3个交错组卷积注意力模块E；交错组卷积注意力模块E与全连接层fc相连。5.根据权利要求4所述的一种基于多层级自适应注意力的农作物病虫害识别方法，其特征在于，步骤S4中所述的构建多层级识别网络的方法如下：S4.1、i＝i+1，重复步骤S3.2，将第q级训练集合T
q
中将剩余所有图像，依次作为输入图像x
i
，从而训练出第q级模型M
q
，并得到第q级训练集合T
q
中所有图像最终的特征图及分类结果；S4.2、建立最终的特征图的评测指标。6.根据权利要求5所述的一种基于多层级自适应注意力的农作物病虫害识别方法，其特征在于，步骤S4.2中所述的建立最终的特征图的评测指标的方法如下：S4.2.1、令i＝0,基于潜在语义分析将特征图集F
iq
映射为语义空间向量计算第q级网络中x
i
的语义误差距离
式中，表示与x
...

【专利技术属性】
技术研发人员：李帷韬，吴刚，孙伟，李奇越，邓雅丽，彭思瑶，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：