[发明专利]一种基于Transformer混合架构的作物病害识别模型

说明书

本发明提供一种基于Transformer混合架构的轻量级作物病害识别模型，包括基于Transformer混合架构的作物病害识别模型的训练模块、和基于Transformer混合架构的作物病害识别模型的识别模块。本发明使用卷积神经网络和Transformer相结合的方式进行特征提取和患病类别诊断，具有模型精度高、速度快、消耗算力小的优点，可以更快、更准、更便携地应用于作物病害的自动识别。

技术领域

本发明属于基于深度学习的图像分类领域，具体涉及一种作物病害识别模型。

背景技术

目前识别作物病害的方法主要分为三类，分别是人工识别法、实验室鉴定方法，基于计算机视觉的识别方法。由于作物品种繁多，症状相似，有经验的农民也可能无法正确识别作物疾病，因而人工识别方法无法满足实际需求。实验室鉴定方法提取患病作物的DNA序列，使用PCR方法进行病害诊断；虽然准确性极高，但成本高，速度慢，完全不满足实时检测的需求。因此，基于计算机视觉的作物病害识别方法，由于其成本低、速度快、准确性强的特性，逐渐成为现阶段的研究热点。

目前基于计算机视觉的识别作物病害的模型分为三类，分别是，传统机器学习模型，卷积神经网络，Transformer模型。传统机器学习模型，通过人为对叶片病害的特征进行提取，将提取后的特征输入到不同分类器中，从而对叶片病害种类进行诊断。尽管这些ML模型在特定的任务上可以达到很高的准确率，但识别性能受限于特征提取方法的设定。同时由于其固定的特征提取方法，使得传统机器学习模型无法应对复杂环境下的作物病害诊断。不同于传统机器学习人工设计特征提取方法，卷积神经网络利用一系列卷积操作来自动提取叶片病害的局部特征并进行分类，从根本上解决了人为参与的问题。由于不用人为设计参数，卷积神经网络可以灵活地用于多种作物的病害诊断，所特有的空间归纳偏置也使其识别精度大幅度提升。Transformer模型通过叠加自注意力层，在作物病害间构建长距离注意力机制，识别精度相较于卷积神经网络进一步提升。但庞大的计算量使构建的模型无法部署到移动设备上，无法起到真正的识别作用。

发明内容

本发明的目的是提供一种基于Transformer混合架构的作物病害识别模型，采用相机手机等移动设备拍摄田间环境下作物的患病区域图像，将拍摄的患病图像缩放到固定尺寸后输入模型中，使用卷积神经网络和Transformer相结合的方式进行特征提取和患病类别诊断，由此实现作物病害的自动识别，从而为田间作物病害的识别提供了一种更好的选择。

一种基于Transformer混合架构的作物病害识别模型，包括以下模块：

基于Transformer混合架构的作物病害识别模型的训练模块；

基于Transformer混合架构的作物病害识别模型的识别模块。

其中，所述模型的软件平台使用Pytorch框架开发并搭建。

其中，所述软件平台主要采用python进行编程，所述软件平台的主要模块有：数据加载模块、模型训练模块、网络模型模块、可视化模块。

其中，在所述基于Transformer混合架构的作物病害识别模型的训练模块之前还包括农作物病害图像的采集和预处理模块，其工作步骤为：

农作物病害图像的采集：获取田间环境下不同病害种类的原始农作物图像样本集，记为X＝{X₁，X₂,…,X_n}，其中，X_n表示第n张作物图像样本，n＝1,2,…,N，并记录X_n所对应的病害种类标签，即Y_n，n＝1,2,…,N；

采集到的农作物病害图像的预处理：随机选择12种数据增强方法，对采集到的农作物病害图像进行数据增强，将增强后的数据缩放为224×224像素，按照7:2:1的比例将其分为训练集、验证集和测试集。