病害类别识别方法、装置及设备
本技术涉及图像识别领域,尤其涉及一种病害类别识别方法、装置及设备。
背景技术:
1、目前,基于全局平均池化的轻量网络病害识别方法,仅统计各通道平均响应强度,在平均响应相近但空间分布不同的激活模式下输出相似语义向量,存在难以区分炭疽病与叶斑病等细粒度病害的问题;而传统分形特征需在网络外部执行金字塔分解、边缘检测等预处理,存在与深度特征割裂、部署开销大的问题;轻量网络在有限标注样本下,存在难以稳定学习病斑边界破碎程度和跨尺度扩散形态特征的问题。综上,现有方法难以在低成本边缘设备上同时满足细粒度病害的准确识别与轻量化部署需求。
技术实现思路
1、本技术的主要目的在于提供一种病害类别识别方法、装置及设备,旨在解决难以在低成本边缘设备上同时满足细粒度病害的准确识别与轻量化部署需求的技术问题。
2、为实现上述目的,本技术提供一种病害类别识别方法,所述病害类别识别方法包括:
3、将预处理后的叶片图像输入特征提取网络,获得包含多个通道的高层特征图;
4、对所述高层特征图进行全局统计,得到语义特征向量;
5、采用多个盒尺度对所述高层特征图中各通道对应的特征图进行网格划分,得到各通道对应的划分后特征图,所述盒尺度为盒计数法中划分网格时每个盒子的边长;
6、统计各盒尺度下所述各通道对应的划分后特征图的占用盒数量,所述占用盒为满足预设条件的局部盒,所述局部盒为划分后特征图中的网格;
7、根据所述盒尺度与所述占用盒数量之间的变化关系确定所述高层特征图中各通道对应的空间复杂度参数;
8、基于所述语义特征向量与所述各通道对应的空间复杂度参数,得到融合特征;
9、根据所述融合特征确定所述叶片图像的病害类别。
10、可选地,所述采用多个盒尺度对所述高层特征图中各通道对应的特征图进行网格划分,得到各通道对应的划分后特征图,所述盒尺度为盒计数法中划分网格时每个盒子的边长的步骤,包括:
11、对所述高层特征图中各通道对应的特征图分别执行通道内归一化处理,得到归一化后的各通道特征图;
12、根据预设阈值,将所述归一化后的各通道特征图转换为二值激活图;
13、基于所述各盒尺度,将所述二值激活图划分为多个非重叠的局部盒,作为各通道对应的划分后特征图。
14、可选地,所述基于所述各盒尺度,将所述二值激活图划分为多个非重叠的局部盒,作为各通道对应的划分后特征图的步骤,包括:
15、对所述多个盒尺度进行遍历,并将遍历到的盒尺度作为当前盒尺度;
16、在所述二值激活图的空间尺寸不能被当前盒尺度整除的情况下,对所述二值激活图进行空间尺寸调整,直至调整后的空间尺寸能被当前盒尺度整除;
17、基于当前盒尺度将调整后的二值激活图划分为多个非重叠的局部盒;
18、在遍历完成后,基于所述多个非重叠的局部盒确定各通道对应的划分后特征图。
19、可选地,所述统计各盒尺度下所述各通道对应的划分后特征图的占用盒数量,所述占用盒为满足预设条件的局部盒,所述局部盒为划分后特征图中的网格的步骤,包括:
20、对所述各通道对应的划分后特征图进行最大值归约,得到最大值归约的结果;
21、基于所述最大值归约的结果判断所述各通道对应的划分后特征图中的局部盒里是否存在激活位置;
22、若存在激活位置,统计所述存在激活位置的局部盒数量,作为各盒尺度下的占用盒数量。
23、可选地,所述对所述高层特征图进行全局统计,得到语义特征向量的步骤,包括:
24、对所述高层特征图的各通道分别进行全局平均池化,得到各通道的全局平均响应值;
25、将所述各通道的全局平均响应值按通道顺序进行组合,得到语义特征向量。
26、可选地,所述基于所述语义特征向量与所述各通道对应的空间复杂度参数,得到融合特征的步骤,包括:
27、将所述各通道对应的空间复杂度参数按通道顺序组成空间复杂度向量;
28、将所述语义特征向量与所述空间复杂度向量按特征维度进行融合,得到融合特征。
29、可选地,所述根据所述融合特征确定所述叶片图像的病害类别的步骤,包括:
30、将所述融合特征输入分类器,得到各病害类别的得分;
31、对所述各病害类别的得分进行概率归一化,得到各病害类别的概率;
32、选取所述各病害类别的概率中的最大概率对应的病害类别作为识别结果。
33、可选地,所述选取所述各病害类别的概率中的最大概率对应的病害类别作为识别结果的步骤之后,还包括:
34、判断所述最大概率是否大于预设置信度阈值;
35、在所述最大概率大于或等于预设置信度阈值的情况下,输出所述最大概率对应的病害类别及置信度;
36、在所述最大概率小于预设置信度阈值的情况下,输出未知类别或低置信度结果。
37、此外,为实现上述目的,本技术还提出一种病害类别识别装置,所述病害类别识别装置包括:
38、特征图提取模块,用于将预处理后的叶片图像输入特征提取网络,获得包含多个通道的高层特征图;
39、语义特征提取模块,用于对所述高层特征图进行全局统计,得到语义特征向量;
40、划分模块,用于采用多个盒尺度对所述高层特征图中各通道对应的特征图进行网格划分,得到各通道对应的划分后特征图,所述盒尺度为盒计数法中划分网格时每个盒子的边长;
41、统计模块,用于统计各盒尺度下所述各通道对应的划分后特征图的占用盒数量,所述占用盒为满足预设条件的局部盒,所述局部盒为划分后特征图中的网格;
42、空间复杂度确定模块,用于根据所述盒尺度与所述占用盒数量之间的变化关系确定所述高层特征图中各通道对应的空间复杂度参数;
43、融合模块,用于基于所述语义特征与所述各通道对应的空间复杂度参数,得到融合特征;
44、结果输出模块,用于根据所述融合特征确定所述叶片图像的病害类别。
45、此外,为实现上述目的,本技术还提出一种病害类别识别设备,所述病害类别识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的病害类别识别程序,所述病害类别识别程序配置为实现如上文所述的病害类别识别方法。
46、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质上存储有病害类别识别程序,所述病害类别识别程序被处理器执行时实现如上文所述的病害类别识别方法。
47、此外,为实现上述目的,本技术还提供一种计算机程序产品,所述计算机程序产品包括病害类别识别程序,所述病害类别识别程序被处理器执行时实现如上文所述的病害类别识别方法。
48、本技术提出的一个或多个技术方案,至少具有以下技术效果:
49、在本技术中,公开了将预处理后的叶片图像输入特征提取网络,获得包含多个通道的高层特征图;对高层特征图进行全局统计,得到语义特征向量;采用多个盒尺度对高层特征图中各通道对应的特征图进行网格划分,得到各通道对应的划分后特征图,所述盒尺度为盒计数法中划分网格时每个盒子的边长;统计各盒尺度下各通道对应的划分后特征图的占用盒数量,所述占用盒为满足预设条件的局部盒,所述局部盒为划分后特征图中的网格;根据盒尺度与占用盒数量之间的变化关系确定高层特征图中各通道对应的空间复杂度参数;基于语义特征向量与各通道对应的空间复杂度参数,得到融合特征;根据融合特征确定所述叶片图像的病害类别;由于本技术通过采用多个盒尺度分别统计各通道特征图在不同尺度下的占用盒数量,并根据占用盒数量随盒尺度变化关系确定空间复杂度参数,从而对激活区域分散程度与边界破碎程度进行定量刻画,随后将该参数与语义特征融合后,使判别依据同时包含响应强度与空间形态两类信息,提升了细粒度病害区分能力,且盒计数嵌入网络内部,无需外部预处理,降低了部署复杂度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com