[發明專利]一種適應田野的農作物病蟲害自動識別方法

有效

• 申請號: 202011444596.6
• 申請日: 2020-12-11
• 公開（公告）號: CN112560644B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 趙啟軍;桂鵬輝;劉寧;黨文婕;朱飛雨
• 申請（專利權）人: 四川大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08;G06T5/30;G06T7/11;G06T7/136;G06T7/194
• 代理公司: 四川力久律師事務所 51221
• 代理人: 韓洋

1.一種適應田野的農作物病蟲害自動識別方法，其特征在于，包括以下步驟：

S1，獲取農作物圖像原始數據，并對所述農作物圖像原始數據進行預處理；

S2，將預處理后的所述農作物圖像原始數據輸入改進后的農作物病蟲害自動識別模型，預測出所述農作物圖像原始數據相應的病蟲害類別；

所述改進后的農作物病蟲害自動識別模型的網絡架構為：在卷積神經網絡的骨干網絡上增加了通道正交約束和物種分類約束兩個分支，所述通道正交約束添加在所述骨干網絡輸出的最后一個特征上，所述物種分類約束添加在所述骨干網絡輸出的任何一個特征上；

所述卷積神經網絡的骨干網絡的處理過程具體包括：

S21，輸入預處理后的農作物圖像原始數據到卷積神經網絡的骨干網絡中，輸出多層特征，每個所述特征由多張特征圖組成；

S22，對所述骨干網絡輸出的最后一層特征進行全局平均池化操作，得到特征向量F_disease；

S23，使用全連接層將所述特征向量F_disease映射出一個以類別數為維度的logits_d向量，所述以類別數為維度的logits_d向量中，最大值對應的索引就是所述農作物圖像數據相應的病蟲害預測類別；

所述通道正交約束的處理過程具體包括：

A1，獲取所述卷積神經網絡的骨干網絡輸出的最后一層特征M₄的通道；

A2，將特征M₄每一個通道的特征圖變換成特征向量，得到矩陣f；

A3，將所述矩陣f轉置后得到矩陣f^T，所述矩陣f和矩陣f^T相乘得到方陣M_channel，所述M_channel體現了特征通道間的兩兩相互關系；

所述物種分類約束的處理過程具體包括：

B1，選取所述多層特征中的一層特征，為選中特征；

B2，對所述選中特征進行全局平均池化操作，得到特征向量F_species；

B3，使用全連接層將所述特征向量F_species映射出一個以類別數為維度的logits_s向量，所述以類別數為維度的logits_s向量中，最大值對應的索引就是所述農作物圖像數據相應的農作物的物種類別；

所述改進后的農作物病蟲害自動識別模型在網絡訓練階段采用了綜合損失函數，所述綜合損失函數是疾病分類損失函數、物種分類損失函數和通道正交約束損失函數的加權求和；

所述通道正交約束損失函數為：

其中，M_channel是對稱的余弦值方陣，表示對稱的余弦值方陣的上三角元素之和，表示對稱的余弦值方陣中最大的元素，λ是兩者的平衡系數；

所述疾病分類損失函數為：

其中，K_d是農作物病害的總類別數，y_i表示的是當前樣本所對應的真實病害類別，N是參與訓練的樣本數量，ε表示標簽平滑因子，表示當前樣本所對應的真實病害類別相應的預測概率，p_k是表示預測為第k類的概率；

所述物種分類損失函數為：

其中，K_s是農作物物種的總類別數，y_i表示的是當前樣本所對應的真實物種類別，N是參與訓練的樣本數量，ε表示標簽平滑因子，表示當前樣本所對應的真實病害類別相應的預測概率，p_k是表示預測為第k類的概率。

2.如權利要求1所述的一種適應田野的農作物病蟲害自動識別方法，其特征在于，步驟S1中，對所述農作物圖像原始數據進行預處理，具體包括以下步驟：

K1，對所述農作物圖像原始數據進行圖像隨機背景混合，得到混合后的圖像；

K2，對所述混合后的圖像進行隨機縮放裁剪，得到用于訓練模型的圖像數據。

3.如權利要求2所述的一種適應田野的農作物病蟲害自動識別方法，其特征在于，步驟K1具體包括以下步驟：

K11，對所述農作物圖像原始數據進行圖像分割，得到包含葉片的分割圖；

K12，去除背景，得到只包含葉片的二值掩碼；

K13，將所述只包含葉片的二值掩碼混合在不同的背景圖片中得到多個混合后的圖像。