[发明专利]一种基于多尺度轻量级网络的病虫害识别方法

权利要求书

1.一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，包含有：

步骤1，采集病虫害图像，再进行预处理，之后分为训练集、验证集和测试集；

步骤2，将步骤1得的训练集输入到多尺度轻量级网络进行训练，多尺度轻量级网络包含特征增强层、通道分离（split）-洗牌（shuffle）模块、双残差路径模块、全局注意力上采样模块和分类层；

首先利用特征增强层提取多尺度特征：通过特征增强层最大程度提取病虫害图像特征，其次利用通道分离（split）-洗牌（shuffle）模块提升特征表达能力，接着利用双残差路径模块学习不同尺度空间的判别信息，增强特征传播和梯度传播；然后利用全局注意力上采样模块融合多尺度特征，通过聚集低层次的空间细节，对空间和通道关注点进行编码，重新校准特征通道的显著性；最后把融合的特征送入分类层进行病虫害分类；

步骤3，在步骤2的训练过程中，把步骤1获得的验证集输入到多尺度轻量级网络，对多尺度轻量级网络进行优化和性能评估；

步骤4，重复步骤2和3，当训练结束且损失达到收敛状态时，保留在验证集上性能最好的多尺度轻量级网络；

步骤5，把步骤1得到的测试集输入步骤4获得的训练好的多尺度轻量级网络中，得到最终的病虫害识别结果。

2.根据权利要求1所述的一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，所述步骤1包括：

首先利用无人机拍摄不同种类的病虫害图像，去除模糊、失焦、主体丢失的图像后，根据该领域专家知识对剩余图像进行标记；

再对上述标记好的病虫害图像数据集进行预处理，包含图像尺寸调整、灰度变换、图像滤波和图像锐化，并采用图像旋转、缩放、噪声和色彩抖动等数据增强方法进一步扩充图像数据集，之后按照7：2：1的比例将其分为训练集、验证集和测试集。

3.根据权利要求1所述的一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，步骤2所述的特征增强层包括卷积层、ReLU激活层、BN层和池化层，所述的利用特征增强层提取多尺度特征的工作方法如下：

首先利用两个大小为1×1×2的三维卷积层提取像素级特征；其次利用两个大小分别为1×5和5×1的卷积核，以较小的计算量获得与单个卷积核尺寸为5×5的等效感受野，来提取区域级特征；依次经过BN层和ReLU激活层，通过残差操作融合像素级特征和区域级特征；再经过大小为1×1的卷积层提取融合特征Ff；然后利用两个大小为2×1和1×2的二维最大池化层提取图像级特征；再依次经过BN层和ReLU激活层，把图像级特征和融合特征Ff通过残差操作融合，经过大小为1×1的卷积层后得到最终输出特征。

4.根据权利要求1所述的一种基于多尺度轻量级网络的病虫害识别方法，其特征在于，步骤2所述的通道分离（split）-洗牌（shuffle）模块包括卷积层、扩张卷积层、BN层和ReLU激活层；所述的利用通道分离（split）-洗牌（shuffle）模块提升特征表达能力的工作方法如下：

输入被分成两个分支，各有一半的输入通道；首先，两个分支分别经过大小为1×3和3×1的卷积层，BN层和ReLU激活层；其次，两个分支分别经过大小为1×3和3×1的扩张卷积层，BN层和ReLU层，扩张卷积层用于增加接收域；接着，拼接两个分支的输出特征，把拼接后的特征和输入特征通过残差操作融合后送入ReLU激活层；最后，进行通道洗牌操作，得到输出特征图。