[發明專利]植物病害嚴重程度圖像分類方法、裝置、設備和存儲介質

有效

• 申請號: 202011626598.7
• 申請日: 2020-12-31
• 公開（公告）號: CN112699941B
• 公開（公告）日: 2023-02-14
• 發明（設計）人: 趙蕓;陳家貴;徐興
• 申請（專利權）人: 浙江科技學院
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/44;G06V10/82;G06N3/048;G06N3/084
• 代理公司: 杭州合信專利代理事務所(普通合伙) 33337
• 代理人: 沈自軍

1.植物病害嚴重程度圖像分類方法，其特征在于，包括：

獲取待分類的植物圖像，所述植物圖像包括植物像素和背景像素；

對所述植物圖像進行增廣；

采用卷積神經網絡對增廣后的植物圖像進行識別，得到植物病害圖像、以及各植物病害圖像的病害嚴重程度等級；

卷積神經網絡的構建方法包括：

采用遷移學習的方式構建殘差網絡ResNet50的主干網絡；

將注意力模塊嵌入到所述主干網絡的Bottleneck中得到所述卷積神經網絡；

其中所述注意力模塊包括通道域注意力模塊和空間域注意力模塊；

所述通道域注意力模塊用于關注植物病害圖像中的特征，所述通道域注意力模塊的通道注意力計算公式為：

其中，C_A表示通道注意力；F表示植物病害特征圖；經過通道域注意力模塊處理后的特征圖表示為F_C；σ表示sigmoid函數；和表示卷積操作，其中上標為卷積核的大小；BN表示批量歸一化操作；

空間域注意力模塊：用于關注植物病害圖像中的特征位置信息，

計算公式為：S_A＝2×σ(BN(f^3×3(AvgPool(F_c))))；

其中，S_A表示空間注意力；σ表示sigmoid函數；f^3×3表示卷積操作，其中上標為卷積核的大小；BN表示批量歸一化操作。

2.如權利要求1所述的植物病害嚴重程度圖像分類方法，其特征在于，所述卷積神經網絡預先采用樣本進行訓練，樣本集包括植物病害圖像以及健康植物圖像，其中植物病害圖像依據病害嚴重程度分為多個等級。

3.權利要求1所述的植物病害嚴重程度圖像分類方法，其特征在于，所述的卷積神經網絡包括94層卷積層，40層池化層，32層批量歸一化層，1層全連接層，1層Softmax層；所述Softmax層的每一類都對應一個植物病害嚴重程度。

4.如權利要求2所述的植物病害嚴重程度圖像分類方法，其特征在于，所述卷積神經網絡預先采用樣本進行訓練時，使用多分類交叉熵損失函數，并結合Adam優化器得到相應的卷積神經網絡參數。

5.植物病害嚴重程度圖像分類裝置，包括：

第一模塊，用于獲取待分類的植物圖像，所述植物圖像包括植物像素和背景像素；

第二模塊，用于對所述植物圖像進行增廣；

第三模塊，用于采用卷積神經網絡對增廣后的植物圖像進行識別，得到植物病害圖像、以及各植物病害圖像的病害嚴重程度等級；

卷積神經網絡的構建方法包括：

采用遷移學習的方式構建殘差網絡ResNet50的主干網絡；

將注意力模塊嵌入到所述主干網絡的Bottleneck中得到所述卷積神經網絡；

其中所述注意力模塊包括通道域注意力模塊和空間域注意力模塊；

所述通道域注意力模塊用于關注植物病害圖像中的特征，所述通道域注意力模塊的通道注意力計算公式為：

其中，C_A表示通道注意力；F表示植物病害特征圖；經過通道域注意力模塊處理后的特征圖表示為F_C；σ表示sigmoid函數；和表示卷積操作，其中上標為卷積核的大小；BN表示批量歸一化操作；

空間域注意力模塊：用于關注植物病害圖像中的特征位置信息，

計算公式為：S_A＝2×σ(BN(f^3×3(AvgPool(F_C))))；

其中，S_A表示空間注意力；σ表示sigmoid函數；f^3×3表示卷積操作，其中上標為卷積核的大小；BN表示批量歸一化操作。

6.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至5中任一項所述方法的步驟。

7.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至5中任一項所述的方法的步驟。