[发明专利]一种基于多尺度轻量级网络的病虫害识别方法

说明书

本发明公开了一种基于多尺度轻量级网络的病虫害识别方法，首先，利用无人机采集不同种类的病虫害图像并进行筛选和标记；其次，进行图像预处理和数据增强；接着，构建多尺度轻量级网络提取多尺度特征：设计特征增强层最大程度提取病虫害图像特征‑利用通道分离‑洗牌模块增强特征表达能力‑利用双残差路径模块增强特征传播和梯度传播‑结合全局注意力上采样模块融合多尺度特征，重新校准特征通道的显著性；最后，进行模型测试。本发明增强病虫害图像特征的表示能力，拥有更少的参数量，在实际应用场景中可以有效提高识别精度，且对于硬件设备的要求更低，更加适合在移动平台部署应用。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于多尺度轻量级网络的病虫害识别方法。

背景技术

农作物病虫害是造成农业减产的主要原因。真实环境下拍摄的农作物病虫害图像背景复杂，病害区域较小，严重影响识别的鲁棒性和准确性。深度学习不仅具有很强的学习能力，而且可以自动提取图像中丰富、抽象、深层次的语义信息，在很大程度上优于传统的农作物病虫害识别方法。当前基于卷积神经网络的分类模型朝向了更深或更复杂的结构演进。虽然在一定程度上取得不错的效果，但是深层意味着网络模型具有更多的参数，这不仅增加了计算开销，同时对计算机硬件设备要求更高，不利于模型的部署与应用。现有技术专利CN114463651A公开了一种基于超轻量级高效卷积神经网络的农作物病虫害识别方法，使用深度可分离卷积模块进行高效的图片高维特征提取，结合空间金字塔池化层进行局部全局的特征保持，然后将其放入到全连接分类器中进行分类训练。该专利采用由5个基本模块组成的超轻量级高效卷积神经网络结构进行训练，训练的方法特征的提取、表达、传播效果不够优异，而对于训练集的训练十分重要，需要保证训练过程特征提取、表达、传播效果优异，从而保证训练的效果，从而保证识别的准确性，因此需要设计一种训练方法优异的识别方法。

发明内容

为解决上述问题，本发明提供一种基于多尺度轻量级网络的病虫害识别方法，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。

进一步改进在于，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；

进一步改进在于，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：