【技术实现步骤摘要】
本专利技术涉及计算机，特别是涉及一种基于边缘增强的梨叶片多病害识别方法、一种基于边缘增强的梨叶片多病害识别装置、一种计算机设备及一种计算机可读存储介质。
技术介绍
1、图像分割是图像处理和计算机视觉领域的一个重要课题，在场景理解、医学图像分析、机器人感知、视频监控、增强现实、病害分割等领域有着广泛的应用。梨树在全球果树种类中占据重要的地位，梨果产业的发展也带来了丰厚的经济效益，促进了农业经济的发展，但是近几年来，植物病理学已成为世界各地生产和供应安全的重大威胁，因此实现梨树病害的精确分割能够帮助果农更好地管理农作物，提高产量和质量，实现农业生产的可持续发展。因此，如何准确高效的识别分割梨树叶片的病害，是一个急需解决的问题。
2、传统图像算法主要基于数学和计算机视觉理论，通过对图像进行预处理、特征提取和分类等步骤，实现图像的处理和分析，随着人工智能技术的不断发展，深度学习在图像分割领域的应用越来越广泛，其中的卷积神经网络 (cnn)，已成为使用图像自动检测和分割作物病害的趋势。深度学习图像处理的算法架构则由神经网络自动学习，通过自动学习数据中的特征，提取图像的特征并进行分类。无论是传统算法还是神经网络，当病害边缘较为模糊时，都无法精确的对边缘进行分割，以及疾病特征的多样性往往会造成病害的误判，在多种病害共存的情况下，无法实现精准正确的分割。
3、在现有技术中，存在以下几点不足与缺点：病害的边缘较为模糊，传统方法分割对难以实现精准分割；现有神经网络算法复杂性较高，并且鲁棒性较低，难以满足病害分割需求；现有网络
技术实现思路
1、鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于边缘增强的梨叶片多病害识别方法、一种基于边缘增强的梨叶片多病害识别装置、一种计算机设备及一种计算机可读存储介质。
2、为了解决上述问题，本专利技术实施例公开了一种基于边缘增强的梨叶片多病害识别方法，所述方法包括：
3、获取到输入图像；
4、将所述输入图像进行维度变换，得到维度变换图像；
5、将所述维度变换图像经过第一次卷积、第一次池化、第二次卷积、第二次池化、第三次卷积、第三次池化、第四次卷积、第四次池化，得到第一卷积图像；
6、其中，在所述第一次卷积之后、第一次池化之前，第二次卷积之后、第二次池化之前，第三次卷积之后、第三次池化之前，第四次卷积之后、第四次池化之前，进行空间注意力网络及通道注意力网络的第一次特征提取；
7、将所述第一卷积图像经过第一次上采样、第一次反卷积、第二次上采样、第二次反卷积、第三次上采样、第三次反卷积、第四次上采样、第四次反卷积，得到第二卷积图像；
8、将所述输入图像进行边缘特征提取，得到边缘特征图，将所述边缘特征图与所述第二卷积图像进行特征融合，得到输出特征图。
9、优选地，所述将所述维度变换图像经过第一次卷积、第一次池化、第二次卷积、第二次池化、第三次卷积、第三次池化、第四次卷积、第四次池化，得到第一卷积图像，包括：
10、针对所述维度变换图像进行第一次卷积并使用relu激活函数进行处理，得到第一卷积特征图；
11、将所述第一卷积特征图进行maxpool最大池化操作，得到第一池化特征图；
12、针对所述第一池化特征图进行第二次卷积并使用relu激活函数进行处理，得到第二卷积特征图；
13、将所述第二卷积特征图进行maxpool最大池化操作，得到第二池化特征图；
14、针对所述第二池化特征图进行第三次卷积并使用relu激活函数进行处理，得到第三卷积特征图；
15、将所述第三卷积特征图进行maxpool最大池化操作，得到第三池化特征图；
16、针对所述第三池化特征图进行第四次卷积并使用relu激活函数进行处理，得到第四卷积特征图；
17、将所述第四卷积特征图进行maxpool最大池化操作，得到第四池化特征图；
18、将所述第四池化特征图进行第五次卷积，得到第一卷积图像。
19、优选地，所述将所述第一卷积图像经过第一次上采样、第一次反卷积、第二次上采样、第二次反卷积、第三次上采样、第三次反卷积、第四次上采样、第四次反卷积，得到第二卷积图像，包括：
20、针对所述第一卷积图像通过双线性插值进行第一次上采样，得到第一上采样特征图；
21、将所述第一上采样特征图与第四卷积特征图进行拼接，得到第一拼接特征图；
22、针对所述第一拼接特征图进行一次卷积操作，得到第一反卷积特征图；
23、针对所述第一反卷积特征图通过双线性插值进行第二次上采样，得到第二上采样特征图；
24、将所述第二上采样特征图与第三卷积特征图进行拼接，得到第二拼接特征图；
25、针对所述第二拼接特征图进行一次卷积操作，得到第二反卷积特征图；
26、针对所述第二反卷积特征图通过双线性插值进行第三次上采样，得到第三上采样特征图；
27、将所述第三上采样特征图与第二卷积特征图进行拼接，得到第三拼接特征图；
28、针对所述第三拼接特征图进行一次卷积操作，得到第三反卷积特征图；
29、针对所述第三反卷积特征图通过双线性插值进行第四次上采样，得到第四上采样特征图；
30、将所述第四上采样特征图与第一卷积特征图进行拼接，得到第四拼接特征图；
31、针对所述第四拼接特征图进行一次卷积操作，得到第四反卷积特征图。
32、优选地，所述在所述第一次卷积之后、第一次池化之前，第二次卷积之后、第二次池化之前，第三次卷积之后、第三次池化之前，第四次卷积之后、第四次池化之前，进行空间注意力网络及通道注意力网络的第一次特征提取，包括：
33、计算所述第一卷积特征图或第二卷积特征图或第三卷积特征图或第四卷积特征图的每一像素点与像素点平均值的差值，计算该差值与第一卷积特征图或第二卷积特征图或第三卷积特征图或第四卷积特征图的所有像素点值的方差的比值；将所述比值确定为对应的新的像素点，得到第一方差特征图；
34、将所述第一方差特征图通过sigomid激活函数进行权重提取，得到权重系数；
35、根据所述权重系数对第一卷积特征图进行加强，得到第一残差连接特征图；
36、通过不同尺度的空洞卷积，对第一残差连接特征图进行特征提取，得到空洞卷积特征图；
37、将所述空洞卷积特征图割成通道互补的两个子空间，并同时进行卷积操作，得到第一通道特征图、第二通道特征图；
38、通过两种不同的卷积核将第一通道特征图进行双通道的分组卷积，得到第一分组卷积特征图、第二分组卷积特征图；
39、将所述第一分组卷积特征图、第二分组卷积特征图进行叠加，得到叠加特征图；
<本文档来自技高网...【技术保护点】
1.一种基于边缘增强的梨叶片多病害识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于边缘增强的梨叶片多病害识别方法，其特征在于，所述将所述维度变换图像经过第一次卷积、第一次池化、第二次卷积、第二次池化、第三次卷积、第三次池化、第四次卷积、第四次池化，得到第一卷积图像，包括：
3.根据权利要求2所述的基于边缘增强的梨叶片多病害识别方法，其特征在于，所述将所述第一卷积图像经过第一次上采样、第一次反卷积、第二次上采样、第二次反卷积、第三次上采样、第三次反卷积、第四次上采样、第四次反卷积，得到第二卷积图像，包括：
4.根据权利要求2所述的基于边缘增强的梨叶片多病害识别方法，其特征在于，所述在所述第一次卷积之后、第一次池化之前，第二次卷积之后、第二次池化之前，第三次卷积之后、第三次池化之前，第四次卷积之后、第四次池化之前，进行空间注意力网络及通道注意力网络的第一次特征提取，包括：
5.根据权利要求2所述的基于边缘增强的梨叶片多病害识别方法，其特征在于，所述将所述输入图像进行边缘特征提取，得到边缘特征图，将所述边缘特征图与所述第
6.一种基于边缘增强的梨叶片多病害识别装置，其特征在于，所述装置包括：
7.根据权利要求6所述的基于边缘增强的梨叶片多病害识别装置，其特征在于，所述第一卷积图像模块包括：
8.根据权利要求7所述的基于边缘增强的梨叶片多病害识别装置，其特征在于，所述第二卷积图像获取模块包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的基于边缘增强的梨叶片多病害识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的基于边缘增强的梨叶片多病害识别方法的步骤。
...【技术特征摘要】
1.一种基于边缘增强的梨叶片多病害识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于边缘增强的梨叶片多病害识别方法，其特征在于，所述将所述维度变换图像经过第一次卷积、第一次池化、第二次卷积、第二次池化、第三次卷积、第三次池化、第四次卷积、第四次池化，得到第一卷积图像，包括：
3.根据权利要求2所述的基于边缘增强的梨叶片多病害识别方法，其特征在于，所述将所述第一卷积图像经过第一次上采样、第一次反卷积、第二次上采样、第二次反卷积、第三次上采样、第三次反卷积、第四次上采样、第四次反卷积，得到第二卷积图像，包括：
4.根据权利要求2所述的基于边缘增强的梨叶片多病害识别方法，其特征在于，所述在所述第一次卷积之后、第一次池化之前，第二次卷积之后、第二次池化之前，第三次卷积之后、第三次池化之前，第四次卷积之后、第四次池化之前，进行空间注意力网络及通道注意力网络的第一次特征提取，包括：
5.根据权利要求2所...
【专利技术属性】
技术研发人员：舒心，吴云志，丁杰，王文宇，焦裕轩，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。