[發明專利]一種基于深度學習的樹木線蟲病害木識別方法及系統有效
| 申請號： | 202110569852.2 | 申請日： | 2021-05-25 |
| 公開（公告）號： | CN113033520B | 公開（公告）日： | 2021-08-13 |
| 發明（設計）人： | 佃袁勇;韓澤民;林浩然;周靖靖;周志翔;王鵬程 | 申請（專利權）人： | 華中農業大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06N3/04;G06N3/08 |
| 代理公司： | 武漢謙源知識產權代理事務所(普通合伙) 42251 | 代理人： | 王力 |
| 地址： | 430070 湖北省武*** | 國省代碼： | 湖北;42 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 學習 樹木 線蟲 病害 識別 方法 系統 | ||
1.一種基于深度學習的樹木線蟲病害木識別方法,其特征在于，包括如下步驟：
采集樹木線蟲病害區域的影像信息，對所述影像信息中的病害木位點進行標記并形成標記點；
基于所述標記點構建以病害木位點為中心的二維高斯空間置信圖；
構建多尺度空間注意力卷積神經網絡模型，并利用所述二維高斯空間置信圖結合深度學習算法對所述多尺度空間注意力卷積神經網絡模型進行訓練；
利用訓練后的所述多尺度空間注意力卷積神經網絡模型對目標區域樹木線蟲病害進行預測識別，得到病害預測結果。
2.根據權利要求1所述的基于深度學習的樹木線蟲病害木識別方法,其特征在于，在對所述影像信息中的病害木位點進行標記后，還包括如下步驟：
對病害木位點的標記點進行數據擴充，并基于數據擴充后的病害木位點的標記點來構建以病害木位點為中心的二維高斯空間置信圖。
3.根據權利要求2所述的基于深度學習的樹木線蟲病害木識別方法,其特征在于，所述對病害木位點的標記點進行數據擴充具體包括如下步驟：
根據病害木的冠幅大小設定匹配的外接矩形，并輸出矩形框內的圖像對象，生成病害木數據集；
選擇病害密度小于預設密度閾值的有林地區生成由若干隨機點組成的隨機點矩陣，并在隨機點位置處粘貼所述病害木數據集中的圖像對象；
當所有粘貼的圖像對象的像素總和與原影像信息的像素總和的比例大于預設比例閾值時，數據擴充結束。
4.根據權利要求1所述的基于深度學習的樹木線蟲病害木識別方法,其特征在于，所述基于所述標記點構建以病害木位點為中心的二維高斯空間置信圖具體包括如下步驟：
根據病害木位點構建二維高斯核函數Sk(p)：
其中，l＝{l1,l2,l3,…,lk}，lk∈R2,為所述影像信息中病害木的位置，σ對應高斯核函數的局部作用范圍；
根據所述二維高斯核函數計算每個病害木位點對應的病害概率矩陣；
將每個病害木位點對應的病害概率矩陣進行疊加，得到所述二維高斯空間置信圖。
5.根據權利要求4所述的基于深度學習的樹木線蟲病害木識別方法,其特征在于，所述構建多尺度空間注意力卷積神經網絡模型的具體方法為：
采用深度殘差網絡ResNet作為主干網絡，構建包含編碼器和解碼器的多尺度空間注意力卷積神經網絡模型；
其中，所述編碼器包括殘差卷積層集以及由多個不同擴張率的擴張卷積層組成的多擴張卷積聯合空間注意力模塊；
所述殘差卷積層集對所述影像信息進行初步特征提取出處理,得到初步空間特征；
多個不同擴張率的所述擴張卷積層分別對所述初步空間特征進行二次特征提取處理,并得到對應不同尺度的二次空間特征，經過Sigmoid函數處理由多個擴張卷積層輸出的二次空間特征形成的特征集，并輸出多尺度空間注意力卷積神經網絡模型的空間監督權重W；
將所述特征集與卷積核為1的卷積層進行卷積處理，得到密集空間特征；
所述解碼器將所述密集空間特征與其他不同尺度層對應的密集空間特征進行融合，得到融合不同感受野的多尺度空間注意力特征層。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于華中農業大學，未經華中農業大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110569852.2/1.html，轉載請聲明來源鉆瓜專利網。
