本發(fā)明涉及農(nóng)業(yè)信息，特別是涉及一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法。

背景技術(shù)：

1、葡萄葉部病害嚴(yán)重影響葡萄的產(chǎn)量和質(zhì)量。而葡萄病害種類繁多，目前可以確定病原的約有60多種，且有十余種對葡萄生長造成危害較大，其中，葉部常見病害包括：黑腐病、黑麻疹病和葉枯病。精準(zhǔn)施用農(nóng)藥消除葡萄病害，提高質(zhì)量和產(chǎn)量并減少環(huán)境污染的前提條件是快速、準(zhǔn)確地獲得葡萄遭受病害的病種信息，以便于進(jìn)行有針對性的防治。近年來，深度學(xué)習(xí)方法在植物病害檢測中已經(jīng)得到了廣泛的應(yīng)用，并為植物葉部病害識別提供了一種場景泛化能力強、魯棒性優(yōu)和識別準(zhǔn)確率高的工具。目前，許多葡萄葉部病害的計算機視覺診斷方法大多采用典型的重量級卷積神經(jīng)網(wǎng)絡(luò)方法；相比傳統(tǒng)的圖像處理方法，卷積神經(jīng)網(wǎng)絡(luò)方法在判別作物和植物病害方面有著高精度、高魯棒性的優(yōu)勢。

2、然而，這些基于卷積神經(jīng)網(wǎng)絡(luò)的重量級方法大多采用層數(shù)深、參數(shù)多和結(jié)構(gòu)復(fù)雜的設(shè)計思路，導(dǎo)致存在高算力、高內(nèi)存消耗及高耗時等缺陷，造成邊緣設(shè)備和移動端難以在葡萄葉部病害識別領(lǐng)域拓展應(yīng)用。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，通過singleformer網(wǎng)絡(luò)，降低模型訓(xùn)練的復(fù)雜度，提高模型的識別精度和sota評估效果。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，包括：

4、收集待檢測葡萄葉部病害圖像；

5、將所述待檢測葡萄葉部病害圖像輸入到訓(xùn)練完成的singleformer模型中，得到目標(biāo)病害識別結(jié)果；

6、所述singleformer模型的訓(xùn)練過程，包括：

7、收集若干原始葡萄葉部圖像，對全部所述原始葡萄葉部圖像進(jìn)行背景去除，得到預(yù)處理圖像集，并將所述預(yù)處理圖像集按照預(yù)設(shè)比例劃分為原始訓(xùn)練集和測試集；

8、對所述原始訓(xùn)練集進(jìn)行擴充和增強，得到增強樣本數(shù)據(jù)集，并將所述增強樣本數(shù)據(jù)集按照預(yù)設(shè)比例劃分為增強訓(xùn)練集和增強驗證集；

9、將所述增強訓(xùn)練集和所述增強驗證集作為訓(xùn)練數(shù)據(jù)輸入到預(yù)設(shè)的singleformer網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用交叉熵?fù)p失函數(shù)對訓(xùn)練過程中的所述singleformer網(wǎng)絡(luò)進(jìn)行優(yōu)化，得到訓(xùn)練完成的所述singleformer模型；所述singleformer網(wǎng)絡(luò)包括：輸入層、若干個patch?embeding層、若干個卷積局部特征提取層、若干個全局和局部特征增強層、若干個特征降維層和輸出層。

10、優(yōu)選地，所述singleformer網(wǎng)絡(luò)還包括：全局特征提取器、token-fearure注意力提取器以及cnn局部特征提取器。

11、優(yōu)選地，還包括：

12、將所述測試集輸入到所述singleformer模型中，得到測試分類結(jié)果；

13、根據(jù)所述測試分類結(jié)果進(jìn)行準(zhǔn)確率、f1值、精確率以及召回率計算，并根據(jù)所述準(zhǔn)確率、所述f1值、所述精確率以及所述召回率對所述singleformer模型進(jìn)行評估。

14、優(yōu)選地，所述原始訓(xùn)練集擴充和增強使用的工具包括：無監(jiān)督葡萄葉部病害圖像增強模型、自監(jiān)督深度葡萄葉部病害圖像合成模型以及多注意力transformer葡萄葉部病害圖像超分模型。

15、優(yōu)選地，所述原始葡萄葉部圖像包括：感染葡萄黑腐病的葡萄葉部圖像、感染葡萄黑麻疹的葡萄葉部圖像、感染葡萄葉枯病的葡萄葉部圖像以及正常葡萄葉片圖像。

16、優(yōu)選地，所述singleformer網(wǎng)絡(luò)的計算公式包括：iinput＝{ihealthy,idisease}、itokens＝pe(iinput)、ilf＝cfe(itokens)、igf＝singleformer(ilf)、idownsampling＝pm(igf)以及cls＝fc(avgpool(idownsampling))；iinput為所述singleformer網(wǎng)絡(luò)的輸入；ihealthy為健康的葡萄葉片圖像；idisease為所述增強樣本數(shù)據(jù)集內(nèi)的樣本圖像；itokens為pe()劃分的圖像塊；pe()為特征過濾操作、歸一化處理以及圖像分塊操作；ilf為低層特征提取；cfe()為1×1卷積、bn標(biāo)準(zhǔn)化、3×3可分離卷積的組合操作；igf為全局特征；singleformer()為全局與局部特征提取操作；idownsampling為降維后的特征圖；pm()為降維操作；cls為葡萄葉部病害的類別；avgpool()為平均池化操作；fc()為全連接操作。

17、優(yōu)選地，所述全局特征提取器的計算過程，包括：

18、將接收到的特征圖輸入到一個1×1卷積進(jìn)行局部細(xì)節(jié)特征提取，得到第一特征表示；

19、將所述第一特征表示輸入到bn進(jìn)行特征歸一化，得到歸一化特征表示；

20、將所述歸一化特征表示輸入到一個1×1卷積進(jìn)行通道間信息權(quán)重，得到權(quán)重表示；

21、將所述權(quán)重表示和所述特征圖進(jìn)行融合，得到增強局部特征表示。

22、優(yōu)選地，token-fearure注意力提取器的計算過程，包括：

23、利用線性投影變換將接收到的特征矩陣映射成預(yù)設(shè)維度的q矩陣；

24、對所述q矩陣進(jìn)行水平維度的權(quán)重計算，得到第一權(quán)重；

25、對所述q矩陣進(jìn)行垂直維度的權(quán)重計算，得到第二權(quán)重；

26、將所述第一權(quán)重和所述第二權(quán)重分別與所述q矩陣相乘，得到token級別的全局注意力和feature級別的全局注意力；

27、對所述token級別的全局注意力和所述feature級別的全局注意力進(jìn)行線性運算和求和，得到目標(biāo)全局注意力。

28、優(yōu)選地，token-fearure注意力提取器的計算公式包括：q＝xwq、α＝qwα、tw＝∑σ(q*α)、β＝qtwβ、tokenatten＝tw*q、featureatten＝fw*q以及selfatten＝proj(tokenatten)+proj(featureatten)；q為所述q矩陣；x為所述接收到的特征矩陣；wq為映射矩陣；α為token級特征提??；wα為第一學(xué)習(xí)權(quán)重；tw為所述第一權(quán)重；σ為激活操作；β為feature級特征提??；t為轉(zhuǎn)置操作；wβ為第而學(xué)習(xí)權(quán)重；fw為所述第二權(quán)重；tokenatten為所述token級別的全局注意力；featureatten為feature級別的全局注意力；selfatten為所述目標(biāo)全局注意力；proj()為線性投影計算；為激活操作。

29、本發(fā)明公開了以下技術(shù)效果：

30、本發(fā)明提供了一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，通過singleformer網(wǎng)絡(luò)，解決了現(xiàn)有模型識別精度和sota評估效果較差的問題，實現(xiàn)了模型訓(xùn)練復(fù)雜度的降低以及模型識別精度和sota評估效果的提升。

技術(shù)特征：

1.一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，其特征在于，所述singleformer網(wǎng)絡(luò)還包括：全局特征提取器、token-fearure注意力提取器以及cnn局部特征提取器。

3.根據(jù)權(quán)利要求1所述的一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，其特征在于，還包括：

4.根據(jù)權(quán)利要求1所述的一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，其特征在于，所述原始訓(xùn)練集擴充和增強使用的工具包括：無監(jiān)督葡萄葉部病害圖像增強模型、自監(jiān)督深度葡萄葉部病害圖像合成模型以及多注意力transformer葡萄葉部病害圖像超分模型。

5.根據(jù)權(quán)利要求1所述的一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，其特征在于，所述原始葡萄葉部圖像包括：感染葡萄黑腐病的葡萄葉部圖像、感染葡萄黑麻疹的葡萄葉部圖像、感染葡萄葉枯病的葡萄葉部圖像以及正常葡萄葉片圖像。

6.根據(jù)權(quán)利要求1所述的一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，其特征在于，所述singleformer網(wǎng)絡(luò)的計算公式包括：iinput＝{ihealthy,idisease}、itokens＝pe(iinput)、ilf＝cfe(itokens)、igf＝singleformer(ilf)、idownsampling＝pm(igf)以及cls＝fc(avgpool(idownsampling))；iinput為所述singleformer網(wǎng)絡(luò)的輸入；ihealthy為健康的葡萄葉片圖像；idisease為所述增強樣本數(shù)據(jù)集內(nèi)的樣本圖像；itokens為pe()劃分的圖像塊；pe()為特征過濾操作、歸一化處理以及圖像分塊操作；ilf為低層特征提取；cfe()為1×1卷積、bn標(biāo)準(zhǔn)化、3×3可分離卷積的組合操作；igf為全局特征；singleformer()為全局與局部特征提取操作；idownsampling為降維后的特征圖；pm()為降維操作；cls為葡萄葉部病害的類別；avgpool()為平均池化操作；fc()為全連接操作。

7.根據(jù)權(quán)利要求2所述的一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，其特征在于，所述全局特征提取器的計算過程，包括：

8.根據(jù)權(quán)利要求2所述的一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，其特征在于，token-fearure注意力提取器的計算過程，包括：

9.根據(jù)權(quán)利要求8所述的一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，其特征在于，token-fearure注意力提取器的計算公式包括：q＝xwq、α＝qwα、tw＝∑σ(q*α)、β＝qtwβ、tokenatten＝tw*q、featureatten＝fw*q以及selfatten＝proj(tokenatten)+proj(featureatten)；q為所述q矩陣；x為所述接收到的特征矩陣；wq為映射矩陣；α為token級特征提?。粀α為第一學(xué)習(xí)權(quán)重；tw為所述第一權(quán)重；σ為激活操作；β為feature級特征提??；t為轉(zhuǎn)置操作；wβ為第而學(xué)習(xí)權(quán)重；fw為所述第二權(quán)重；tokenatten為所述token級別的全局注意力；featureatten為feature級別的全局注意力；selfatten為所述目標(biāo)全局注意力；proj()為線性投影計算；為激活操作。

技術(shù)總結(jié)
本發(fā)明屬于農(nóng)業(yè)信息技術(shù)領(lǐng)域，提供了一種基于機器學(xué)習(xí)模型的葡萄葉部病害圖像識別方法，包括：待檢測葡萄葉部病害圖像收集和SingleFormer模型識別，SingleFormer模型的構(gòu)建過程包括：圖像收集和劃分、圖像擴充和增強以及SingleFormer網(wǎng)絡(luò)訓(xùn)練。本發(fā)明通過SingleFormer網(wǎng)絡(luò)，降低了模型訓(xùn)練的復(fù)雜度，提高了模型的識別精度和SOTA評估效果。

技術(shù)研發(fā)人員：馮建英,金海濱,穆維松,范夢揚,張馨心
受保護(hù)的技術(shù)使用者：中國農(nóng)業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9