基于区域-形态感知与贝叶斯图推理的烟叶病害检测方法

本发明涉及计算机视觉与农业检测，特别是涉及一种基于区域-形态感知与贝叶斯图推理的烟叶病害检测方法。

背景技术：

1、烟叶作为我国重要的经济作物，其生长过程中易受赤星病、黑胫病、角斑病、花叶病等多种病害侵袭，导致烟叶品质下降和产量损失。传统的人工巡检方式依赖农业专家的经验判断，存在效率低、主观性强、难以实现大规模筛查等问题。随着深度学习技术的发展，基于卷积神经网络的目标检测方法在农业病害识别领域展现出巨大潜力。

2、目前，基于yolo（you only look once）系列算法的目标检测技术已在农业病害识别中得到广泛应用。然而，现有技术方案在烟叶病害检测场景中仍存在以下本质性技术缺陷：

3、（1）模型架构缺乏植物生理结构感知。现有yolo模型主要针对coco等通用目标检测数据集设计，采用全局统一的锚框策略和特征提取方式，未考虑烟草叶片的生理结构特性。实际上，不同病害在叶片上的分布具有显著的区位规律：赤星病多发生于叶尖区域，黑胫病集中于叶基部，角斑病沿叶缘分布，花叶病则散布于全叶。现有技术将叶片视为普通矩形图像进行处理，丢失了这种关键的先验结构信息，导致小目标病害检测精度不足，当病害斑块面积小于图像面积的0.5%时，漏检率超过30%。

4、（2）病害区域提取策略缺乏形态学约束。现有技术多采用固定参数的边界扩展或简单裁剪方法，未充分考虑烟叶病害的形态特征。病斑在图像空间中呈现复杂的不规则形态，其空间分布、长宽比、边缘梯度等形态特征蕴含了丰富的病理信息。固定参数裁剪无法适应病斑形态的多样性，而简单的特征加权策略缺乏严格的数学优化保证，导致裁剪区域要么包含过多背景噪声，要么遗漏病斑边缘的关键信息。

5、（3）置信度计算缺乏空间因果推理能力。现有检测方案的置信度仅依赖模型输出的分类概率与目标存在性概率，属于局部感知，未考虑病害间的空间关系与因果依赖性。实际上，某些病害在叶片上具有显著的共生或因果规律：花叶病毒感染可能破坏叶片表皮屏障，增加赤星病菌的侵染概率；黑胫病与根腐病存在共同的土壤传播途径。现有简单的共现统计或iou阈值判断无法捕捉这种复杂的因果结构，导致在多病害共现场景下误检率居高不下。

6、（4）轻量化设计与检测精度存在根本性矛盾。现有模型参数量大、计算复杂度高，在边缘设备上部署困难。虽然conv-bn层融合、fp16半精度推理等通用优化手段已被采用，但这些优化属于'后处理'性质，未与模型架构设计深度融合。在降低参数量的同时，小目标特征表达能力同步衰减，形成'轻量化即降精度的固有矛盾，缺乏训练阶段精度保持与推理阶段效率提升的协同机制。

技术实现思路

1、本发明的目的是提供一种基于区域-形态感知与贝叶斯图推理的烟叶病害检测方法，突破了现有技术将叶片视为普通矩形图像处理的局限，显著提升了小目标病害检测精度。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于区域-形态感知与贝叶斯图推理的烟叶病害检测方法，包括以下步骤：

4、s1、获取烟叶图像，对烟叶图像执行预处理，预处理包括格式转换、尺寸调整与归一化处理；

5、s2、基于叶片形态学特征，将预处理后的烟叶图像划分为叶尖区、叶中区、叶基区和叶缘区，针对不同区域设计区域化锚框先验；

6、s3、基于bifpn结构和贝叶斯图神经网络构建rmp-net检测模型，rmp-net检测模型包括replwc模块；将预处理和生理分区后的烟叶图像输入rmp-net检测模型进行前向传播，并在边界框回归中引入区域感知长宽比修正，得到修正后的检测框，具体包括：

7、基于bifpn结构融合多尺度特征，并通过跨区域注意力函数建立不同生理区域间的长距离依赖；

8、基于贝叶斯图神经网络进行空间置信度推理，将检测框构建为图结构节点，利用图注意力网络传播空间上下文信息，通过贝叶斯置信度更新与因果干预消除伪相关；

9、s4、基于流形空间动态裁剪算法对修正后的检测框边界进行几何优化，将病斑形态特征映射到低维流形空间，通过测地线距离优化寻找最优裁剪边界，得到检测结果；

10、s5、对检测结果进行类别感知非极大值抑制和坐标映射，输出最终结果。

11、优选的，s1中，对烟叶图像进行预处理还包括：

12、基于retinex模型的光照自适应增强：

13、

14、其中，为原始图像，为增强后图像，l为估计的光照分量，s为反射分量，γ为增强指数；

15、基于gabor滤波器的纹理特征提取：

16、

17、其中，x'和y'为旋转后的坐标，为叶片纹理主方向，和为高斯包络标准差，f为滤波器中心频率。

18、优选的，s2中，将预处理后的烟叶图像划分为叶尖区、叶中区、叶基区和叶缘区，具体包括：

19、基于叶片形态学特征定义分区函数：

20、

21、其中，(x,y)为图像像素坐标，和分别为叶片基部与叶尖的纵向坐标，为叶片中心线横坐标，为叶片宽度，λ为叶缘曲率补偿系数；

22、根据分区函数将叶片划分为四个生理区域：叶尖区、叶中区、叶基区和叶缘区；

23、针对不同生理区域设计区域化锚框先验：

24、

25、

26、其中，为区域的锚框先验集合，和为区域k的基准宽和基准高，由该区域病害标注框的k-means聚类得到，为区域k的尺度标准差，为标准正态分布采样值，为第k个生理区域中第i个锚框的高度，为第k个生理区域中第i个锚框的宽度。

27、优选的，s3中还包括：replwc模块的结构重参数化过程：

28、训练阶段的多分支输出为：；

29、其中，为3×3卷积运算，用于提取大感受野的空间特征，为1×1卷积运算，用于通道维度降维/升维，为输入特征图，为批量归一化运算；

30、推理阶段通过结构重参数化将多分支融合为等效单分支：

31、

32、其中，为等效3×3卷积核权重，为3×3分支权重，为1×1分支通过零填充扩展为3×3的等价权重，为恒等映射作为3×3核，γ、μ、σ²分别为batchnorm层的缩放参数、运行均值和运行方差，ε为防止除零的小常数；

33、等效偏置为：

34、

35、其中，和分别为3×3和1×1分支的偏置，β为batchnorm偏移参数，为偏移均值，用于补偿batchnorm层融合时因恒等映射分支引入的均值偏移量。

36、优选的，s3中，基于bifpn结构融合多尺度特征，并通过跨区域注意力函数建立不同生理区域间的长距离依赖，公式如下：

37、

38、其中，为融合后的特征，为区域k的特征图，为区域注意力权重，为跨区域注意力函数，β为全局注意力偏置。

39、优选的，s3中，基于贝叶斯图神经网络进行空间置信度推理，具体包括：

40、图结构构建：将每个检测框作为图节点，节点特征为检测框的位置、尺度、类别置信度与区域属性；节点间的边权重由空间距离和类别共现概率共同决定：

41、

42、其中，为检测框i与j的中心点欧氏距离，为距离衰减参数，为类别共现概率矩阵元素；

43、图注意力网络的消息传递：

44、

45、其中，为节点i在第l层的特征，和为可学习权重矩阵，为注意力系数，为非线性激活函数，用于引入非线性变换：

46、

47、贝叶斯置信度更新：

48、

49、其中，为节点i与j的势函数，为节点i的观测势函数，z为配分函数，为节点i经可学习权重矩阵w线性变换后的特征向量，为节点j经可学习权重矩阵w线性变换后的特征向量，为节点k经可学习权重矩阵w线性变换后的特征向量，为节点i对节点j的注意力系数；

50、因果干预消除伪相关：

51、

52、其中，do(g)表示对图结构进行干预，去除伪相关边；为检测框j为病害类别的边缘概率，为在图结构g和已知节点j类别为的条件下，节点i为病害类别的条件概率，为经贝叶斯图神经网络推理与因果干预后，检测框i为病害类别经贝叶斯图神经网络推理与因果干预后，检测框i为病害类别的校准后置信度的校准后置信度。

53、优选的，s4中，基于流形空间动态裁剪算法对修正后的检测框边界进行几何优化，具体包括：

54、将病斑区域的形态特征向量映射到低维流形空间：

55、

56、其中，φ(·)为流形嵌入函数，b为初始检测框，为空间分布特征，为长宽比特征，为边缘梯度特征，为纹理特征，为低维流形空间，由病斑形态特征映射构成的嵌入空间；

57、在流形空间中寻找最优裁剪边界：

58、

59、其中，为最优裁剪框，为测地线损失函数；

60、测地线距离定义为：

61、

62、其中，γ(t)为流形m上连接φ(b)与的曲线，为流形度量张量；

63、边缘梯度正则化：

64、

65、其中，为边缘正则化项，g(e)为边界e处的边缘梯度幅值，φ(e)为梯度方向，为边界法线方向。

66、优选的，s5中，对检测结果进行类别感知非极大值抑制和坐标映射，具体包括：

67、类别感知非极大值抑制：仅对同一类别的检测框执行nms，排序依据为校准后的置信度；

68、坐标映射：将检测框从模型输入尺寸映射回原始图像尺寸：，其中，为模型输出的归一化横坐标(0,1)，为letterbox预处理时水平方向填充的偏移量，为原始图像的宽度，为模型输入图像的宽度。

69、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述的一种基于区域-形态感知与贝叶斯图推理的烟叶病害检测方法。

70、根据本发明提供的具体实施例，本发明公开了以下技术效果：

71、（1）本发明方法设计了基于植物生理结构的rmp-net网络，将叶片生理分区与区域化锚框先验深度融合，突破了现有技术将叶片视为普通矩形图像处理的局限，显著提升了小目标病害检测精度；提出了replwc结构重参数化模块，通过训练阶段多分支增强与推理阶段单分支融合，从根本上解决了轻量化与高精度的固有矛盾，实现了精度与效率的解耦优化。

72、（2）本发明方法构建基于流形空间的动态裁剪算法，将病斑形态特征映射到低维流形并通过测地线距离优化，使裁剪策略具有严格的数学保证，区别于现有技术的经验性固定参数裁剪；构建贝叶斯图神经网络推理机制，通过图注意力网络传播空间上下文信息，并利用因果干预消除伪相关，使置信度校准具备因果推理能力，超越了现有技术的简单共现统计；本发明方法集成了硬件自适应推理引擎与跨平台兼容机制，支持从边缘设备到云端服务器的灵活部署。