【技术实现步骤摘要】
本专利技术涉及计算机视觉，特别是涉及基于位置引导病灶表征学习的植物叶片病害严重程度评估方法。
技术介绍
1、农作物产量经常受到各种植物疾病的威胁，每年产量减少约13％至22％，导致重大农业损失。深度学习技术在植物病害识别方面取得了显著进步，由于其强大的特征提取和自动学习能力，准确率达到90％以上，但它仅限于病害识别，无法提供精确的农药用量指导。这种限制导致了农作物产量下降、环境污染、经济损失和错过最佳治疗时期等问题。因此，准确评估植物病害的严重程度对于实现智能作物管理和提高粮食产量至关重要。
2、传统的植物病害严重程度评估方法往往依赖于农业专家的经验和判断或实验室生化分析。虽然在某些情况下是有效的，但这些方法受到人类判断的主观性和劳动强度的限制，不适合大规模评估。随着计算机视觉的进步，图像处理技术现在被广泛应用于植物病害严重程度的评估，利用机器学习方法可以实现图像分析自动化处理病害信息。然而，现有的机器学习方法因其性能高度依赖于高质量的特征工程，在复杂的田间环境中难以准确评估病害严重程度。
3、近年来，计算机视觉的快速发展，卷积神经网络(cnn)和视觉transformer(vits)在植物病害严重程度评估中的应用越来越广泛，展现出了更高的自动化和精度。这些方法通过深度模型提取图像特征，克服了传统方法对人工特征提取的依赖，显示了更大的潜力。然而，这些方法主要依赖于整体图像特征，很容易将背景信息等非病灶区域误认为病灶区域，从而导致严重程度评估出现偏差。
4、因此，开发一种能够针对病灶区域进行更精
技术实现思路
1、本专利技术的目的是提供基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，适用于各种植物叶片病害的严重程度评估，并且可以迁移到果实病害严重程度评估。
2、为实现上述目的，本专利技术提供了如下方案：
3、基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，包括：
4、获取病害叶片图像；
5、将所述病害叶片图像输入层级病灶融合评估网络模型，获取叶片病害严重程度评估结果，其中，所述层级病灶融合评估网络模型基于真实训练集训练获得，所述真实训练集为标注病害严重程度的叶片图像，所述层级病灶融合评估网络模型基于具有先验知识的特征编码器构建，所述具有先验知识的特征编码器是将图像对输入到位置引导病灶表征学习网络进行训练获得。
6、可选的，获得具有先验知识的特征编码器包括：
7、构建位置引导病灶表征学习网络模型，其中，所述位置引导病灶表征学习网络模型为基于编码器-解码器的模型，所述编码器为双支特征编码器，所述解码器为差分定位解码器；
8、利用所述图像对所述位置引导病灶表征学习网络模型进行训练，获取训练好的位置引导病灶表征学习网络模型，并冻结训练好的所述双支特征编码器作为所述具有先验知识的特征编码器。
9、可选的，利用所述图像对所述位置引导病灶表征学习网络模型进行训练包括：
10、将健康叶子图像输入扩散模型生成病灶叶片图像，基于所述健康叶子图像与对应的所述病灶叶片图像，构建所述图像对；
11、将所述图像对输入双分支特征编码器进行特征提取，获取图像对的特征；
12、将所述图像对的特征输入所述差分定位解码器，通过计算所述图像对之间的差异定位病灶区域，获取病灶区域预测结果；
13、基于所述病灶区域预测结果和真实病灶区域，并通过损失函数的约束训练所述位置引导病灶表征学习网络模型。
14、可选的，将所述图像对输入双分支特征编码器进行特征提取包括：
15、利用层级信息提取器对所述图像对提取层级细粒度特征，获取细粒度语义特征；
16、利用信息聚合器对所述图像对提取高级语义特征，获取高级语义特征；
17、将所述细粒度语义特征和所述高级语义特征输入跨层特征融合模块进行特征融合，获取融合特征，其中，所述跨层特征融合模块基于若干交叉注意力模块获取，所述融合特征和所述层级细粒度特征为图像对的特征。
18、可选的，将所述细粒度语义特征和所述高级语义特征输入跨层特征融合模块进行特征融合包括：
19、将各层所述细粒度语义特征分别与所述高级语义特征相乘并除以缩放值，获取注意力权重；
20、将所述注意力权重与各层所述细粒度语义特征相乘，获取各层注意力矩阵并沿通道维度进行连接，获取所述融合特征。
21、可选的，获取病灶区域预测结果包括：
22、利用差分法对所述图像对的特征进行计算后并进行融合和卷积运算，获取差分特征；
23、通过级联的上采样操作和加法操作将所述差分特征进行聚合，并恢复到原始分辨率；
24、通过激活函数和预设阈值将原始分辨率特征图转化为二值图，生成所述病灶区域预测结果。
25、可选的，将所述病害叶片图像输入层级病灶融合评估网络模型，获取叶片病害严重程度评估结果包括：
26、将所述病害叶片图像和复制病害叶片图像输入所述具有先验知识的特征编码器进行特征提取，获取病害叶片特征；
27、将所述病害叶片特征输入层级病灶特征融合模块进行特征融合和增强，获取融合增强特征；
28、将所述融合增强特征输入评估模块，获取所述叶片病害严重程度评估结果。
29、可选的，将所述病害叶片特征输入层级病灶特征融合模块进行特征融合和增强包括：
30、通过加法操作将所述病害叶片特征进行融合，将病害叶片融合特征输入通道注意力模块增强通道特征，获取通道特征图；
31、将所述通道特征图输入空间注意力模块进行增强空间特征，获取融合增强图。
32、可选的，将所述融合增强特征输入评估模块，获取所述叶片病害严重程度评估结果包括：
33、所述融合增强特征经过卷积层、批量归一化和relu激活函数、残差块、自适应平均池化层、全连接层和softmax函数的依次处理，获取各级病害严重程度的概率分布，将最高概率对应的病害严重等级作为所述叶片病害严重程度评估结果。
34、与现有技术相比，本专利技术具有如下优点和技术效果：
35、本专利技术针对传统深度学习方法依赖全局图像特征，容易将背景信息误认为病灶区域，导致严重程度评估出现偏差的问题，提出了一种位置引导病灶表征学习的评估策略。该策略着重从病变区域中提取特征，并基于这些特征进一步评估疾病的严重程度。具体而言，本专利技术首先利用扩散模型从健康叶片生成患病叶片，以构建健康-病害叶片的图像对。接着，位置引导病害表征学习网络通过比较健康与病害叶片，训练网络识别并定位叶片上的病变区域，进而获得具有先验知识的编码器。最后，层级病害融合评估网络共享并冻结该编码器，提取聚焦于病灶区域的特征，并通过层级策略对这些特征进行融合和分类，实现疾病严重程度的定量评估。通过上述方法，本专利技术本文档来自技高网...
【技术保护点】
1.基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，包括：
2.根据权利要求1所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，获取具有先验知识的特征编码器包括：
3.根据权利要求2所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，利用所述图像对所述位置引导病灶表征学习网络模型进行训练包括：
4.根据权利要求3所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，将所述图像对输入双分支特征编码器进行特征提取包括：
5.根据权利要求4所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，将所述细粒度语义特征和所述高级语义特征输入跨层特征融合模块进行特征融合包括：
6.根据权利要求3所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，获取病灶区域预测结果包括：
7.根据权利要求1所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，将所述病害叶片图像输入层级病灶融合
8.根据权利要求7所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，将所述病害叶片特征输入所述层级病灶特征融合模块进行特征融合和增强包括：
9.根据权利要求7所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，将所述融合增强特征输入评估模块，获取所述叶片病害严重程度评估结果包括：
...【技术特征摘要】
1.基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，包括：
2.根据权利要求1所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，获取具有先验知识的特征编码器包括：
3.根据权利要求2所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，利用所述图像对所述位置引导病灶表征学习网络模型进行训练包括：
4.根据权利要求3所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，将所述图像对输入双分支特征编码器进行特征提取包括：
5.根据权利要求4所述的基于位置引导病灶表征学习的植物叶片病害严重程度评估方法，其特征在于，将所述细粒度语义特征和所述高级语义特征输入跨层特征融...
【专利技术属性】
技术研发人员：余珮嘉，余娅，王崎，吴兴财，吴雪，肖源源，陈攀峰，
申请(专利权)人：贵州大学，
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。