[发明专利]基于注意力机制的野生蓝莓僵果病孢子特征识别方法

说明书

本发明涉及一种基于注意力机制的野生蓝莓僵果病孢子特征识别方法，属于植物病害识别领域。该方法包括：S1：构建原始图像数据集；S2：增强数据；S3：将注意力机制与残差网络相结合，构建Model3‑CA模型；S4：设置参数：在模型中获取预训练参数；S5：处理图像特征：对模型的参数进行提取和保存，得到蓝莓僵果病孢子特征识别模型，利用该模型的卷积对训练数据集进行特征提取；S6：得到识别结果：通过模型可视化方法，利用梯度加权映射方法导入模型参数对图像进行可视化，得到蓝莓僵果病孢子特征识别结果并展示。本发明能对蓝莓僵果病的孢子特征进行快速有效的识别。

技术领域

本发明属于植物病害识别领域，涉及一种基于注意力机制的野生蓝莓僵果病孢子特征识别方法。

背景技术

僵果病主要的症状表现特征是次生孢子(白色粉状物)，因此，识别蓝莓僵果病可以通过识别蓝莓僵果病的孢子特征来解决该问题。在传统的图像识别分类网络中，无论图像中的重要特征区域占整个图像的占比多大，模型都会对整张图像的特征进行全部的提取。因此，在复杂背景下，网络模型会学习到更多的背景信息，从而增加了图像识别的难度，降低了图像识别精度。

在实际应用问题中，不仅要考虑蓝莓僵果病的识别准确问题，还要考虑到实时性问题，是否能快速且准确的进行自然环境下的蓝莓僵果病孢子特征的识别。

大多数传统的神经网络能够对一些简单场景下的蓝莓僵果病孢子特征进行识别，但是，对于识别更加复杂的自然背景图像效果并不理想，通过特征提取的可视化，能够看见模型对蓝莓僵果病图像的特征提取不够全面，且没有集中重点学习图像中的重要特征，从而使最后的识别效果更差。

在传统的图像识别方法中，研究人员大多采用图像分割或者需要训练大量数据集的神经网络算法去识别复杂背景下的微小特征。虽然最后识别的效果较好，但是，前期需要准备数据标记以及数据分割等工作，对于研究人员来说是一项巨大的挑战。相对于传统的方法，在深度学习中，网络模型在图像识别训练过程中能够自动化地提取图像的特征，以避免不必要的人工特征标记。

综上，现有的图像识别方法具有如下缺点：使用到对蓝莓僵果病中出现的孢子特征识别时，孢子特征在图像中表现很小，在以往的图像识别任务中都不易识别，容易出现识别混淆。复杂背景下的微小特征提取问题：由于采集的数据集图像来自不同的渠道，其中有一些是在现实环境拍摄的图片，导致图像的背景更加复杂，使的模型在识别任务中容易受到干扰。模型解释问题：仅仅通过训练结果的参数不能直观的感受模型识别的效果。

因此，亟需一种能够快速准确识别出蓝莓僵果病的孢子特征部分，且具有可视化效果对比的蓝莓僵果病孢子特征识别方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于注意力机制的野生蓝莓僵果病孢子特征识别方法，通过建立深度学习框架，能够快速识别出蓝莓僵果病的孢子特征部分；评估蓝莓僵果病在不同场景下的准确性；可视化深度学习模型识别细微特征的效果对比。

为达到上述目的，本发明提供如下技术方案：

一种基于注意力机制的野生蓝莓僵果病孢子特征识别方法，包括以下步骤：

S1：构建原始图像数据集：原始图像数据集包括感染僵果病孢子的蓝莓叶子和花等图像；

S2：增强数据：对原始图像数据集进行增强，使原本的图像数据得到扩充，通过对原始图像进行旋转、翻转、亮度调整和裁剪变换等方法得到扩充后蓝莓僵果病孢子特征数据集；

S3：构建模型：将注意力机制与残差网络相结合，得到Model3-CA模型；

S4：设置参数：在模型中获取预训练参数；

S5：处理图像特征：对模型的参数进行提取和保存，得到蓝莓僵果病孢子特征识别模型，利用该模型的卷积对训练数据集进行特征提取；