[发明专利]基于多尺度融合与CBAM-ResNet50的农作物病害分割方法、系统、设备及介质

权利要求书

1.一种基于多尺度融合与CBAM-ResNet50的农作物病害分割方法，其特征在于，具体包括以下步骤：

步骤一、数据预处理

选择自然环境中，从晴天干燥环境到阴天潮湿环境捕捉的不同生长阶段下，公开的农作物病害的若干图像作为数据集；

1)图像标注：对农作物病害数据集进行标注，并标明所属类别；

2)划分数据集：将标注得到的数据集划分为训练集及测试集，并将原始图片压缩为U-Net网络默认的图像大小；

步骤二、训练并评估U-Net网络模型

将步骤一第2)步处理完成的图像作为U-Net网络模型的输入图像，并设置U-Net网络模型的运行参数，在实验操作平台上对U-Net网络模型进行训练，然后采用分割领域常用的评价标准，包括：mPA值、F_Score值、mIoU值、Loss值，对训练的U-Net网络模型进行效果评估；

步骤三、针对步骤二评估进行U-Net网络改进

1)替换特征提取网络

将U-Net网络的特征提取网络替换为CBAM-ResNet50网络；

2)设计多尺度自适应特征融合模块ASFF，具体为：

基于上下文信息，通过邻近特征信息弥补当前层特征的信息丢失，以此提升病害区域占整个图片小的小目标的检测能力；同时在网络底层使用空洞空间金字塔池化，通过不同膨胀率的空洞卷积来增加特征的全局感受野以实现整体分割区域的感知；

步骤四、训练改进U-Net网络

将步骤一第2)步中经数据处理过的农作物病害图像作为步骤三中改进U-Net网络的输入图像，并设置网络模型的运行参数，在实验操作平台上对步骤三改进的U-Net网络模型进行训练，采用分割领域常用的评价标准，包括：mPA值、F_Score值、mIoU值、Loss值，对改进U-Net的分割结果进行评估，若分割结果达到预期，则输出分割结果，若未达预期，未解决U-Net存在的问题，则重复上述步骤，调整参数，直至分割结果达到预期，并输出最终病害分割结果。

2.根据权利要求1所述的基于多尺度融合与CBAM-ResNet50的农作物病害分割方法，其特征在于，所述步骤三第1)步的具体方法如下：

a)将U-Net中的VGG16主干特征网络替换为ResNet50主干特征网络；

b)将CBAM注意力机制嵌入每层残差模块的底层，形成基于注意力机制与残差结构的主干特征提取网络。

3.根据权利要求1所述的基于多尺度融合与CBAM-ResNet50的农作物病害分割方法，其特征在于，所述步骤三第2)步的具体方法如下：

c)将不同尺度特征通过上采样操作调整到统一尺寸，然后再根据自适应学习到的权重进行加权融合，得到融合后的特征；

d)采用不同膨胀率大小的扩张卷积进行多尺度特征提取；扩张卷积能将卷积核扩张到膨胀系数所约束的尺度中，并将原卷积核中未被占用的区域填充为0，达到在卷积核的参数个数保持不变且不降低图像分辨率的情况下，感受野的大小随着膨胀系数的增加而增加。

4.根据权利要求3所述的基于多尺度融合与CBAM-ResNet50的农作物病害分割方法，其特征在于，步骤三所述扩张卷积相比普通卷积，其增加了一个r参数，其中r就是rate，代表卷积核的膨胀系数；扩张卷积的计算方式为：

假设原始的卷积核大小为f，膨胀系数为r，则经过膨胀后卷积核的大小为f'：

f'＝r(f-1)+1           (1)

卷积核经过膨胀后的感受野大小为：

[(f+1)×(r-1)+f]×[(f+1)×(r-1)+f]       (2)

5.根据权利要求1所述的基于多尺度融合与CBAM-ResNet50的农作物病害分割方法，其特征在于，所述步骤二、步骤四中网络模型的运行参数包括初始学习率，学习动量，权重衰减率，采用随机梯度下降法SGD更新网络参数。