一种基于注意力高阶残差网络的病虫害识别方法与流程

1.本发明属于图像识别领域，特别是复杂背景下的细粒度农作物病虫害识别，适用于农作物病虫害识别领域。


背景技术：

2.我国是一个农业大国，农作物病虫害是造成农作物品质下降，从而导致农民经济损失的主要原因之一，与日常经济活动密切相关。传统农业生产中，农民凭经验来对农作物病害进行识别诊断，无法保障诊断的正确率和可靠性。由于农业专家无法实时在田间地头进行实地指导，因此借助信息技术对农作物病害进行准确的识别就变得极其重要。大部分农作物病害发生时会在作物叶片部位出现病斑,具有不同的颜色、形状和纹理特征。由于农作物致病的病原物不同，造成了各种病害主要危害部位的表现不同，这也使得我们可以将农作物病害的诊断转化为对农作物叶部图像的分类识别问题。准确地对农作物病叶图像进行分类识别，确诊病害类别，是目前农业农业生活中亟待解决的问题。
3.基于图像处理技术的农作物病害识别常分为背景分割、病斑分割、特征提取和分类识别等步骤。国内外研究表明此类方法已取得了较好的识别效果，但面向农作物病害识别实际应用时，其存在一定的局限性：大量的图像预处理工作耗时耗力；基于人工设计的特征忽视了病害图像中的全局以及上下文信息,容易导致语义鸿沟问题。这些局限性直接导致该方法无法满足实际场景复杂背景和噪声条件下农作物病害识别的准确率方面的需求。
4.深度学习模型可以自动从像素级原始数据到抽象的语义概念逐层提取信息，这使得它在提取图像的全局特征和上下文信息方面具有优势，能够为农作物病害识别提供新思路。
5.目前运用深度学习技术解决农作物病害识别问题的研究工作大部分都是基于简单背景的农作物病害识别，当面向复杂背景和噪声条件下的农作物病害识别时,识别准确率往往会大大降低。而高阶残差卷积神经网络模型可以用来实现农作物病害的准确识别，具有高鲁棒性和强干扰能力。同时，目前的研究工作仅停留在将各个变种深度卷积网络用于粗粒度病害分类，并未关注病虫害的程度。实际生产中，同一病害的早晚期图像呈现不同特点，若在病害发生的早期对其进行准确识别并采取相应防治措施能极大地降低病害带来的损失。因此，进行细粒度病害识别问题仍有待解决。
6.综上所述，有必要建立一种高效的农作物病虫害识别模型，将注意力机制引入残差网络，实现农作物病虫害的细粒度识别，区分病害程度；之后将多个改进的残差模块级联，构建高阶残差网络，进一步提取更多特征，提高面向复杂背景和噪声条件下的农作物病害识别准确率。


技术实现要素：

7.为了克服上述现有的不足，本发明提出了一种基于注意力高阶残差网络的病虫害识别方法，该方法将注意力机制与高阶残差网络相结合，对复杂背景下不同病害程度的农
作物进行分类识别，得到更高的准确率
8.为了达到上述目的，本发明采用如下技术方案：
9.步骤1：获取农作物病虫害数据集；
10.步骤2：为获取模型有效输入，对数据集进行预处理，首先为降低运算量将图像统一调整为256
×
256(宽256像素，高256像素)，并对不足该像素的部分进行填充，对超出该像素尺寸的区域进行像素压缩；同时，为丰富数据集，避免模型训练过拟合，提高模型泛化能力，对数据集图像进行随机翻转、平移、缩放等操作，从而实现数据扩充。
11.步骤3：将处理好的农作物病害图像引入注意力高阶残差网络模型，提取农作物图像特征；
12.对于利用注意力高阶残差网络模型进行特征提取的具体方法为：
13.s31、首先经过一层卷积层对农作物病害图像进行低层特征提取；
14.s32、其次在残差模块中添加注意力机制，注意力机制残差网络由多层收缩残差单元堆叠而成，每个block分为两部分：掩膜分支和主干分支。
15.残差网络的目标函数分为两部分，定义为：
16.h(x)＝f(x) x
ꢀꢀꢀꢀ
(1)
17.(1)式中：x为网络输入；f为残差网络中的残差函数。当下层误差变大时，残差函数中的f会向0逼近。
18.残差网络中的每一个残差块的输出为
19.y＝f(x，w1，w2，
…
，wi，
…
，wn) x
ꢀꢀꢀꢀ
(2)
20.在式(2)中，wi为残差块中的第i个卷积层的权重。
21.在我们训练的过程中，会出现输入输出维度不匹配的现象，此时需要对不匹配的输入做线性变换，公式为：
22.y＝f(x，w1，w2，
…
，wi，
…
，wn) wsx
ꢀꢀꢀꢀ
(3)
23.在式(3)中，ws为线性变换。
24.注意力机制实现过程如下：
25.(1)求出输入的所有特征图绝对值。
26.(2)经过global average pooling和平均，获得一个特征，记为a。
27.(3)在另一条支路，把global average pooling之后的特征图输入到一个小型的全连接网络中，网络以sigmoid作为最后一层，将输出归一化到0～1，获得系数α。
28.(4)最终的阈值可以表示为αa。
29.s33、之后经过多个改进的残差模块级联进一步提取更多特征，我们将第一层卷积层的输出与经过多个改进的残差模块后的输出一起连接，构建高阶残差网络。这里假设残差模块有3个卷积层，其输出分别为x1、x2、x3。x1和x3的通道数相同，可以直接将x1和x3级联起来，x1和x3之和作为整个残差网络的总输出。
30.步骤4：最后将输出的数据经平均池化层和softmax层后，分类器即可输出分类结果，从而实现对该病虫害图像的分类识别。本次使用softmax作为目标函数，其计算公式为
[0031][0032]
在式(4)中，(x1，y1)，(x2，y2)，
…
，(xi，yi)是训练集，xi是第i个训练样本，yi∈1，2，
3，
…
，m是相应的标签，l和m分别表示训练样本数和类别数；h(
·
)是引导函数。
[0033]
本发明的有益效果具体表述如下：
[0034]
(1)本发明通过调整像素对图片进行预处理，降低运算量，获取了模型的有效输入；
[0035]
(2)本发明将注意力机制引入残差模块中，可以更好地自动提取病害的关键特征，具有较高地分类性能；
[0036]
(3)本发明将改进之后的残差模块级联，将第一层卷积层的输出与经过多个改进的残差模块后的输出一起连接，构建高阶残差网络模型，提取图像的高级特征，提高当面向复杂背景和噪声条件下的农作物病害识别准确率；
[0037]
(4)本发明具有较好的抗干扰能力和强鲁棒性，能够满足实际农作物病害识别应用需求。
附图说明
[0038]
附图1为一种基于注意力高阶残差网络的病虫害识别方法的流程示意图。
具体实施方式
[0039]
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
[0040]
s1、获取农作物病虫害数据集，这里选用来自于2018全球ai挑战赛农作物病害数据集。数据集中的所有图片均是在自然光照条件下拍摄得到，且分辨率大小不等。
[0041]
s2、为获取模型有效输入，对数据集进行预处理，首先为降低运算量将图像统一调整为256
×
256(宽256像素，高256像素)，并对不足该像素的部分进行填充，对超出该像素尺寸的区域进行像素压缩；同时，为丰富数据集，避免模型训练过拟合，提高模型泛化能力，对数据集图像进行随机翻转、平移、缩放等操作，从而实现数据扩充。
[0042]
s3、将处理好的图像输入注意力高阶残差网络模型中，从而提取农作物病虫害图像特征。其中，注意力高阶残差网络模型识别流程如下：
[0043]
s31、首先经过一层卷积层对农作物病害图像进行低层特征提取；
[0044]
s32、其次在残差模块中添加注意力机制，注意力机制残差网络由多层收缩残差单元堆叠而成，每个block分为两部分：掩膜分支和主干分支。
[0045]
残差网络的目标函数分为两部分，定义为：
[0046]
h(x)＝f(x) x
ꢀꢀꢀꢀ
(1)
[0047]
(1)式中：x为网络输入；f为残差网络中的残差函数。当下层误差变大时，残差函数中的f会向0逼近。
[0048]
残差网络中的每一个残差块的输出为
[0049]
y＝f(x，w1，w2，
…
，wi，
…
，wn) x
ꢀꢀꢀꢀ
(2)
[0050]
在式(2)中，wi为残差块中的第i个卷积层的权重。
[0051]
在我们训练的过程中，会出现输入输出维度不匹配的现象，此时需要对不匹配的输入做线性变换，公式为：
[0052]
y＝f(x，w1，w2，
…
，wi，
…
，wn) wsx
ꢀꢀꢀꢀ
(3)
[0053]
在式(3)中，ws为线性变换。
[0054]
注意力机制实现过程如下：
[0055]
(1)求出输入的所有特征图绝对值。
[0056]
(2)经过global average pooling和平均，获得一个特征，记为a。
[0057]
(3)在另一条支路，把global average pooling之后的特征图输入到一个小型的全连接网络中，网络以sigmoid作为最后一层，将输出归一化到0～1，获得系数α。
[0058]
(4)最终的阈值可以表示为αa。
[0059]
s33、之后经过多个改进的残差模块级联进一步提取更多特征，我们将第一层卷积层的输出与经过多个改进的残差模块后的输出一起连接，构建高阶残差网络。这里假设残差模块有3个卷积层，其输出分别为x1、x2、x3。x1和x3的通道数相同，可以直接将x1和x3级联起来，x1和x3之和作为整个残差网络的总输出。
[0060]
s4、最后将输出的数据经平均池化层和softmax层后，分类器即可输出分类结果，从而实现对该病虫害图像的分类识别。本次使用softmax作为目标函数，其计算公式为
[0061][0062]
在式(4)中，(x1，y1)，(x2，y2)，
…
，(xi，yi)是训练集，xi是第1个训练样本，yi∈1，2，3，
…
，m是相应的标签，l和m分别表示训练样本数和类别数；h(
·
)是引导函数。