[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

说明书

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，搭建U‑Net基础模型，并在主干网络层结合注意力机制与残差网络进行特征的高效提取，一方面来加强目标区域的表征能力，抑制背景区域，以此实现复杂背景下的病害区域分割问题；另一方面通过残差减少梯度消失，提升模型的收敛速度；接着在特征融合层，设计基于上下文信息的多尺度自适应特征融合模块，通过邻近特征信息弥补当前层特征的信息丢失，以此提升小目标的分割能力；最后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，具有分割精度高，分割快速准确的优点。

技术领域

本发明涉及草莓病害分割技术领域，具体涉及一种基于多尺度融合与CBAM-ResNet50的农作物病害分割方法、系统、设备及介质。

背景技术

农作物病害图像分割是病害检测和病害类型识别方法中的一个重要步骤，其分割效果直接影响到后续的检测和识别结果。由于农作物病害图像的形状和颜色复杂、多样、无规律且多变，图像分割技术能还原病害不规则分布区域，为后续病害类型识别与病害诊断提供有效依据，具有重要意义。之前农作物病害检测主要为传统人工检测，需要消耗大量的人力物力，且容易受到检测人员主观因素的影响，检测效率低，所以实现病害检测的自动化具有很高的研究价值和应用前景。

随着计算机视觉的发展，基于数字图像处理的目标检测方法被应用于农作物病害检测中。孙俊等改进Otsu算法，利用粒子群优化算法寻找最优阈值并用于生菜叶片分割。Zhang等、Wang等出了利用K-means算法对图像进行分割处理，从分割图像中提取PHOG特征识别病害从而达到分割效果。Ma等提出了一种利用综合颜色特征进行蔬菜病害叶斑分割的方法，实现对病害叶片的病斑和杂波背景的强识别。上述基于传统图像处理方法需要进行特征提取和选择，然而，由于农作物病害图像病变区域非常复杂和不规则，传统的方法从图像中选择和提取出用于病害识别的最佳特征比较困难，传统病害检测成本高耗时长，因而网络的灵活性不高，应用范围有所限制。

近年来，由于深度学习具有更好的泛化性能，并且具备良好的抗噪声能力，逐渐被应用在病害的分割中。不同程度地实现了多尺度提取特征目标，提高模型的精度和分割速度，普适性较好，泛化性较强。王翔宇等结合黄瓜褐斑病可见光谱图像，利用U-Net深度学习网络构建黄瓜褐斑病语义分割模型，实现了病斑分割。朱立学等对香蕉果串识别系统中传统的U-Net网络存在实时性差、参数量多、下采样后丢失空间信息等问题，该研究提出基于U-Net模型的轻量化分割网络。张会敏等提出一种基于多尺度融合卷积神经网络的黄瓜病害叶片分割方法，提出使用多尺度卷积网络与线性插值算法，改进后的网络准确率可达93.12％。何自芬等、顾兴健等提出了由编码-解码器构成的多尺度融合神经网络，此法避免了传统的人工特征提取，且比现有的分割网络结构简单。上述研究均在农作物病害检测中取得一定的成果，但是其中农作物病害检测的种类较为单一，一般只针对某一种农作物病害，同时农作物病害分割时背景复杂且目标小的问题处理的不够好。

发明内容

为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种基于多尺度融合与CBAM-ResNet50的农作物病害分割方法、系统、设备及介质，首先搭建了U-Net基础模型，并在主干网络层结合注意力机制与残差网络进行特征的高效提取，一方面来加强目标区域的表征能力，抑制背景区域，以此实现复杂背景下的病害区域分割问题，另一方面通过残差减少梯度消失，提升模型的收敛速度；接着在特征融合层，设计基于上下文信息的多尺度自适应特征融合模块，通过邻近特征信息弥补当前层特征的信息丢失，以此提升小目标的检测能力；最后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。

为了达到上述目的，本发明采取的技术方案为：

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

步骤一、数据预处理；