【技术实现步骤摘要】
本专利技术涉及植物病害检测，更具体的说是涉及一种基于自监督学习的植物病害目标检测方法。
技术介绍
1、在农业生产中，植物病害是影响作物产量和质量的重要因素之一。为了及时发现和防治植物病害，研究人员和农业从业者一直在探索有效的病害检测方法。传统的植物病害检测方法主要依赖于人工巡查和经验判断，这不仅耗时耗力，而且准确性受限于检测人员的经验和专业水平。近年来，随着计算机视觉和人工智能技术的迅速发展，基于图像的植物病害检测方法逐渐成为研究的热点。这些方法通过对植物叶片、果实等部位的图像进行分析，自动识别和分类不同类型的病害，为农业生产提供了更高效的技术支持。
2、现有的基于深度学习的植物病害检测方法大多采用有监督学习方式，需要大量标注数据进行训练。然而，获取高质量的标注数据在实际应用中面临诸多挑战。首先，植物病害种类繁多，不同病害在不同植物上可能表现出不同的症状，这使得数据标注的工作量极为庞大。其次，标注数据的质量直接影响目标检测模型的训练效果，人工标注难以避免主观偏差，且标注过程耗时长，成本高。此外，由于植物病害在不同生长阶段、不同环境条件下的表现可能会有所不同，现有方法在泛化能力方面也存在不足，难以在复杂的实际场景中保持高效的检测性能。针对这些问题，自监督学习作为一种新兴的机器学习方法，为植物病害检测提供了一种新的思路。自监督学习通过构造代理任务，利用大量未标注的数据进行特征学习，从而减少对人工标注数据的依赖，降低数据准备成本。此外，自监督学习能够从未标注数据中提取出具有普遍性的特征表示，提高目标检测模型在不同场景下的泛
技术实现思路
1、有鉴于此，本专利技术提供了一种基于自监督学习的植物病害目标检测方法，通过多阶段训练策略优化目标检测模型性能的有益效果，实现植物病害的自动化精准检测。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种基于自监督学习的植物病害目标检测方法，包括以下步骤：
4、s1、采集包含不同植物病害的植物图像数据集；
5、s2、对植物图像数据集进行去噪、图像增强和规范化处理；
6、s3、构建目标检测模型，将植物图像数据集中的图像划分为多个区域块，通过优化分块策略，最大化覆盖植物病害的关键区域，利用基于detectron2框架的特征提取网络对每个区域块进行特征提取；
7、s4、使用未标注的植物图像数据集，通过自监督学习算法进行目标检测模型的预训练，生成弱标签，并提取植物图像数据集中的有用特征表示，将有用特征与生成的弱标签结合，进行有监督训练；
8、s5、在不同植物和病害类型之间进行迁移学习，设定源域和目标域数据集，利用源域特征与目标域特征进行特征对齐，通过迁移损失项强化特征共享性，优化目标检测模型的跨品种、跨地域适应性；
9、s6、在目标域中进行自监督学习，通过目标检测模型生成的弱标签对目标域数据集进行标注，并与源域标签进行联合训练，通过联合监督学习损失函数和迁移损失项优化目标检测模型性能；
10、s7、在实际农业场景中，应用训练完成的目标检测模型实时处理田间的植物图像数据，识别并定位病害区域，生成包含病害类型、严重程度和病害区域信息的检测报告。
11、可选的，s1具体为：
12、s11、利用摄像设备或无人机采集植物图像，总样本数n为：
13、
14、式中，m为病害种类，ni为第i中病害的样本数量，i∈[1,m]；
15、s12、构建包含多样化植物病害的植物图像数据集x：
16、x＝{(x1,y1),(x2,y2),…,(xn,yn)}；
17、式中，x1为第1张图像，y1为x1对应的病害类型标签。
18、可选的，s3具体为：
19、s31、构建目标检测模型，植物图像数据集x，将植物图像数据集x中的每张图像xi划分为多个区域块，每张图像xi生成的区域块数为ki，通过优化分块策略，最大化覆盖植物病害的关键区域：
20、
21、式中，wi和hi分别为xi的宽度和高度，s为区域块尺寸，p和q为边缘扩展参数，overlapx和overlapy分别为水平方向和垂直方向的重叠率；
22、s32、利用基于detectron2框架的特征提取网络，对植物图像数据集x中的每个区域块rij进行特征提取，生成特征表示zij，特征提取公式引入了局部增强因子αij和全局上下文感知因子βij：
23、
24、式中，f(·)表示基于detectron2框架的特征提取网络，用于从植物图像数据集x的区域块中提取有用的特征，αij为局部增强因子，λ1为正则化系数，表示区域块内像素梯度变化，βij为全局上下文感知因子，为感知平滑参数。
25、可选的，s32具体为：
26、s321、利用基于detectron2框架的特征提取网络，对植物图像数据集x中的每个区域块rij进行特征提取，生成特征表示zij；
27、s322、局部增强因子αij根据植物图像数据集x中区域块的边缘信息和纹理特征进行计算，用于加强植物病害区域的显著性：
28、
29、式中，μ1为局部增强系数，为区域块rij内的梯度模平方，反映了区域块内的边缘强度，v为增强平滑参数，用于控制局部增强因子αij的影响范围；
30、s323、全局上下文感知因子βij用于捕捉其他区域块rik对当前区域块rij的影响：
31、
32、s324、正则化系数λ1用于平衡局部增强因子αij和全局上下文感知因子βij对最终特征表示的贡献，通过交叉验证确定，用于在特征提取过程中维持全局与局部信息的一致性。
33、可选的，s4具体为：
34、s41、将同一图像中所有区域块的特征表示zij进行聚合，生成全图的特征表示zi，聚合过程引入了权重系数wij，用于优化病害区域对最终特征的影响：
35、
36、式中，ki为图像xi生成的区域块数，μ2为特征平滑因子，为特征梯度模，为特征平滑参数；
37、s42、将聚合后的全图特征表示zi输入到目标检测模型中，结合已标注的植物病害图像数据进行监督训练，损失函数引入了区域级别的加权因子η，用于增强目标检测模型对植物图像数据集x中病害区域的关注：
38、
39、式中，ηij为植物图像数据集x中区域块的加权因子，g(zi)为目标检测模型的输出，yi为图像本文档来自技高网...
【技术保护点】
1.一种基于自监督学习的植物病害目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，S1具体为：
3.根据权利要求1所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，S3具体为：
4.根据权利要求3所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，S32具体为：
5.根据权利要求1所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，S4具体为：
6.根据权利要求1所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，S5具体为：
7.根据权利要求1所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，S6具体为：
8.根据权利要求7所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，S61具体为：
9.根据权利要求1所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，S7具体为：
【技术特征摘要】
1.一种基于自监督学习的植物病害目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，s1具体为：
3.根据权利要求1所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，s3具体为：
4.根据权利要求3所述的一种基于自监督学习的植物病害目标检测方法，其特征在于，s32具体为：
5.根据权利要求1所述的一种基于自监督学习的植物病害目...
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。