一种基于神经网络模型的柑橘病虫害检测方法

技术特征：
1.一种基于神经网络模型的柑橘病虫害检测方法，其特征在于，基于contextual swin transformer 模型实现检测，包括以下步骤：步骤1、获取多种柑橘病虫害的多张图像作为数据集；步骤2、将数据集分为训练集和测试集，并分别对训练集和测试集中的数据进行预处理；步骤3、构建contextual swin transformer 模型，并将所述训练集输入至contextual swin transformer 模型，以对contextual swin transformer 模型进行训练；每次训练时利用contextual swin transformer 模型中的自注意力机制，将contextual swin transformer 模型的输入映射成query向量、key向量、value向量，由此使三个向量中的信息传递至contextual swin transformer 模型的相对位置编码中；每次训练后由contextual swin transformer 模型输出识别的病虫害种类作为输出结果，并将输出结果与测试集进行误差计算，然后基于误差计算结果调整contextual swin transformer 模型的配置参数，由此经过多次训练，得到误差计算结果符合预期时的contextual swin transformer 模型的最优配置参数；步骤4、设置contextual swin transformer 模型的配置参数为所述最优配置参数，将待识别病虫害种类的柑橘病图像输入至参数调整为最优配置参数的contextual swin transformer 模型，由contextual swin transformer 模型输出最终的病虫害种类识别结果。2.根据权利要求1所述的一种基于神经网络模型的柑橘病虫害检测方法，其特征在于，步骤2中，按7:3的比例将数据集划分为训练集和测试集。3.根据权利要求1所述的一种基于神经网络模型的柑橘病虫害检测方法，其特征在于，步骤2中所述的预处理包括数据广增、图像填充以及具有层级的滑窗操作处理。4.根据权利要求3所述的一种基于神经网络模型的柑橘病虫害检测方法，其特征在于，所述数据广增预处理依次包括随机翻转、缩放、随机裁剪、归一化。5.根据权利要求4所述的一种基于神经网络模型的柑橘病虫害检测方法，其特征在于，所述训练集中数据进行数据广增时，以0.5的概率进行随机翻转，并从若干种尺度中随机挑选一种以对训练集中数据进行缩放。6.根据权利要求1所述的一种基于神经网络模型的柑橘病虫害检测方法，其特征在于，步骤3中，由contextual swin transformer 模型的块划分patches partition将输入的图像分成n个大小为4*4的块patches，并进行展平操作，得到x={,,
…
,}，x表示经过patches partition后得到的向量；contextual swin transformer 模型中第i个自注意力机制的输出，是由输入与对应的query参数矩阵、key参数矩阵相乘再经过softmax函数，最后与value参数矩阵相乘得，由此完成将contextual swin transformer 模型的输入映射成query向量、key向量、value向量。7.根据权利要求1所述的一种基于神经网络模型的柑橘病虫害检测方法，其特征在于，步骤3中，将训练后的输出结果与测试集进行的误差计算包括分类误差和回归误差，当分类误差、回归误差的计算结果均符合预期时，以此时的contextual swin transformer 模型的配置参数为最优配置参数。

技术总结
本发明公开了一种基于神经网络模型的柑橘病虫害检测方法，包括以下步骤：步骤1、获取柑橘病虫害图像作为数据集；步骤2、将数据集分为训练集和测试集，并进行预处理；步骤3、构建Contextual Swin Transformer模型，对模型进行训练得到最优配置参数；步骤4、通过参数为最优配置参数的模型对待识别病虫害种类的柑橘病图像进行识别，得到病虫害识别结果。本发明可降低计算量，提高检测效率和准确性。提高检测效率和准确性。提高检测效率和准确性。


技术研发人员：吴琪 吴云志
受保护的技术使用者：安徽农业大学
技术研发日：2022.04.18
技术公布日：2022/5/20