[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

本申請涉及一種植物病害嚴重程度圖像分類方法、裝置、計算機設備和存儲介質，所述植物病害嚴重程度圖像分類方法包括：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。本申請通過對圖像進行預處理，將得到的數據集進行增廣，再把圖像輸入到嵌有注意力模塊的卷積神經網絡中后對提取特征進行病害嚴重程度識別，該方案相比于現有技術，能夠提高提取特征時的精確度，具有較好的泛化能力和魯棒性。

技術領域

本發明涉及一種植物圖像處理方法，尤其涉及一種植物病害嚴重程度圖像分類方法、裝置、計算機設備和存儲介質。

背景技術

傳統的植物病害鑒定主要依靠農業專家的目測診斷，但這種方式人工評價成本高、效率低，植物病蟲害不能得到及時的診斷和治療。目前隨著計算機圖像識別技術的快速發展，使用算法模型可以大大提高植物病蟲害的識別效率。

其中算法模型可以分為傳統的機器學習算法和深度學習算法。機器學習算法依靠人工對植物病害圖像進行分類提取特征，所以算法的性能由特征提取的程度決定，對于識別植物單種病害嚴重程度較小的差異，該類方法精度較低，普適性較差。

發明內容

本發明提供了一種植物病害嚴重程度圖像分類方法、裝置、計算機設備和存儲介質，解決了現有技術中依靠人工提取特征時精確度較低，普適性較差的問題。

植物病害嚴重程度圖像分類方法，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。

可選的，所述植物病害圖像通過實驗室環境拍攝所得。

可選的，所述卷積神經網絡預先采用樣本進行訓練，所述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。

可選的，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。

可選的，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??；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??；BN表示批量歸一化操作。

可選的，殘差模塊在卷積神經網絡的四個區域連接。

可選的，所述遷移學習的預訓練模型來自ImageNet。