一种自适应低光照场景下的桑叶病虫害检测方法

1.本发明涉及病虫害图像检测方法领域，具体是一种自适应低光照场景下的桑叶病虫害检测方法。
背景技术：
：2.在桑树的种植过程中，桑树病害是因病原微生物侵染或不适宜的环境条件而导致的生长发育不良、桑叶产量减低和品质变劣的现象。因此桑叶的病虫害防治一直是主要问题，如果不及时防治，会让桑叶种植户减少收益。所以及时防治病虫害是从根本降低损失的关键。桑叶常见的病虫害有：桑萎缩病、桑疫病、桑褐斑病等等，寄生性类病害还有桑根朽病、桑干枯病、桑膏药病、桑白粉病、桑污叶病和桑椹菌核病等；因不良环境条件而导致的非寄生性病害有粗皮病、流汁病、失绿病和带化病等。桑树病害防治措施因病害种类而有不同重点。但是桑叶的病虫害防治不能在高温天用药，否则很容易造成桑叶出现枯萎发黄现象，所以在低光照下对桑叶进行病虫害防治很有效果。3.随着科学技术的发展，计算机视觉神经网络图像识别已经广泛的运用到农业上，通过图像识别，即使在环境极其恶劣的低光照下，也能够精准的找到桑叶的病虫害，从而对桑叶的种植与病虫害预防起到了关键性的作用。但传统的基于神经网络图像识别进行病虫害检测时，检测效果受光线因素影响大，在天气恶劣的情况下会导致准确率低、计算量大、精确度不高的问题。技术实现要素：4.本发明的目的是提供一种自适应低光照场景下的桑叶病虫害检测方法，以解决现有技术基于神经网络图像识别的桑叶病虫害检测方法存在的准确率低、计算量大且环境适应能力差的问题。5.为了达到上述目的，本发明所采用的技术方案为：6.一种自适应低光照场景下的桑叶病虫害检测方法，包括以下步骤：7.步骤1、获取多个桑叶病虫害图像作为数据集；8.步骤2、将步骤1得到的数据集分为训练集和测试集，并分别对训练集和测试集进行预处理；9.步骤3、以swintransformer模型为基础，在swintransformer模型的相对位置编码表后添加多层感知机和残差结构以进行优化，由此得到tocswintransformer模型；zero-dce模型的输出是一张增强后的图片，tocswintransformer输入为图片形式，因此将tocswintransformer模型的输入与zero-dce模型的输出连接，由此得到ztocswintransformer模型；10.将步骤2中得到的训练集输入至ztocswintransformer模型进行训练，训练时，冻结zero-dce的权重，只训练tocswintransformer部分；训练时利用ztocswintransformer模型中的tocswintransformer部分的自注意力机制，将ztocswintransformer模型的输入映射成query向量、key向量、value向量，同时将这三个向量中的信息传递至ztocswintransformer模型的优化的相对位置编码表中，由相对位置编码表指导生成优化的相对位置编码，并在之后连接多层感知机，达到融合空间信息的作用，残差结构的连接避免了信息传递过程的梯度消失；11.ztocswintransformer模型训练后的输出结果为识识别的桑叶的病害类型，将ztocswintransformer模型训练后的输出结果与步骤2得到的测试集进行误差计算，然后基于误差计算结果调整ztocswintransformer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ztocswintransformer模型的配置参数作为最优配置参数；12.步骤4、设置ztocswintransformer模型的配置参数为所述最优配置参数，将待识别桑叶病虫害数据集输入至参数调整为最优配置参数的ztocswintransformer模型，由ztocswintransformer模型输出最终的最终的桑叶病虫害预测识别结果。13.进一步的，步骤2中的预处理依次包括mosaic数据广增、随机翻转、缩放、随机裁剪、归一化。14.进一步的，所述训练集中数据进行预处理时，使用mosaic数据增强，同时以设定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。15.进一步的，步骤3中，tocswintransformer模型是以swintransformer为基本模型改进而来，通过应用迁移学习、优化的上下文位置偏置嵌入、tocswintransformer模型的块划分，将输入的图像分成n个大小为相同的块，并进行展平操作，得到x＝{x1,x2,…,xn}，其中x表示经过块划分后得到的向量，xi表示第i个窗口，i＝1、2、3……n；tocswintransformer模型中第i个自注意力机制的输出zi，query、key、value是由输入xi与自注意力机制中的三个不同的参数矩阵相乘得到。16.进一步的，步骤3中，所述zero-dce模型预先使用darkface数据集进行训练，此模型将低光照的图片作为输入，输出光线增强后的照片。其输出能作为tocswintransformer的输入。将训练后的zero-dce模型添加至tocswintransformer前构成ztocswintransformer模型，也就是zero-dce模型的输出作为tocswintransformer的输入。17.进一步的，步骤3中的误差计算包括分类误差计算和回归误差计算。18.与现有技术相比，本发明的优点为：19.本发明基于ztocswintransformer模型对待识别桑叶病虫害图片进行检测，从而实现桑叶病虫害类型的检测，其中所使用的ztocswintransformer模型中通过添加zero-dce模块，提高不同光照条件下的适用性，同时使用mlp和残差结构优化模型中自注意机制的相对位置编码模块，增加模型的精度，提高检测的正确性。本发明方法能够高效精准的分析出桑叶种植下的桑叶病虫害情况，能够减少人工管理成本，同时提高识别桑叶病虫害检测的正确性，避免了人为主观上的误判。附图说明20.图1是本发明实施例方法流程框图。21.图2是本发明实施例实施的mosaic数据增强操作过程。22.图3是本发明实施例ztocswintransformer模型的结构图。23.图4是本发明实施例relativepositionbias信息交互过程的结构图。24.图5是本发明实施例relativepositionbiastable部分的改进结构图。具体实施方式25.下面结合附图和实施例对本发明进一步说明。26.如图1所示，本实施例一种自适应低光照场景下的桑叶病虫害检测方法，包括以下步骤：27.(1)准备数据集：28.在实地采集和网上采集桑叶病虫害图片，作为本实施例的桑叶病虫害数据集。29.(2)处理数据集：30.将步骤(1)得到的数据集中的数据，按7:3的比例划分为训练集和测试集，并分别对训练集、测试集中的数据进行预处理。31.预处理依次包括mosaic数据广增、随机翻转、缩放和填充。32.其中，训练集中数据进行预处理时，以0.5的概率进行随机翻转，并从11种尺度中随机挑选1种以对训练集中数据进行缩放，能够完成适应多尺度的图片输入，其中mosaic操作过程如图2所示，同时对数据进行填充(pad)，以避免特征损失，保留数据集的特征。33.(2)构建zero-dce模型34.为实现对图片的增强，本发明利用zero-dce网络估计非线性二阶曲线le-curve来对图片进行像素级的增强，35.le-curve计算如下：36.le(i(x)；α)＝i(x) αi(x)(1-i(x))37.其中x为像素坐标，i(x)为相应坐标下的值，le(i(x)；α)为增强后的值，α为可训练的参数(α∈[-1,1])应用时，rgb通道上的值应用le-curve，进行迭代操作，以达到高阶曲线作用。[0038]此模型将低光照的图片作为输入，输出光线增强后的照片。其输出能作为tocswintransformer的输入。[0039](3)构建ztocswintransformer模型，并进行训练，以得到最优化配置参数：[0040]tocswintransformer模型是基于微软亚洲研究院在2021年提出的swintranformer改进而来，本发明通过对swintransformer模型中的relativepositionbias(相对位置编码)模型做进一步优化，得到tocswintransformer模型。[0041]tocswintransformer中的自注意力模块是将query、key、value语义信息传递给相对位置编码(relativepositionbias)，相对位置编码(relativepositionbias)是由相对位置编码表(relativepositionbiastable)指导生成，本发明在相对位置编码表(relativepositionbiastable)后添加一个多层感知机(mlp)和残差结构进一步丰富相对位置编码(relativepositionbias)的信息，来提升模型的精确性，改进得到的tocswintransformer模型结构如图5所示，多层感知机置于相对位置编码表后，多层感知机内含有两层隐藏层，设相对位置编码表最后一个维度为c，则第一个线性层的输出维度是4c，第二层线性层的输出维度为c，因此通过多层感知机后的相对位置编码表维度保持不变，连接多层感知机的目的是为了融合空间信息，来达到提升模型精度的目的，残差的结构是将相对位置编码与key和query相乘后的运算结果进行矩阵的加法运算。[0042]selfattention的输入为图片窗口(windows)，其大小由超参数window_size设定，window_size的大小为w*h，w表示窗口的宽，h表示窗口的长,w和h取值相同，默认为7*7大小。通过将特征图根据window_size划分得来。相对位置编码(relativepositionbias)则是计算某一位置上与其他位置上的相对坐标。计算(p,q)相对位置时,对应位置(i,j)的计算公式如下。[0043]pi,j,p,q＝(p-i,j-i)[0044]pi,j,p,q为第p行第j列与第i行第j列上的相对位置差，p，i表示位置的横坐标，q，j表示位置的纵坐标。其中(p,i＝{0，1…,w-1}q,j＝{0，1…,h-1})。行标和列标上都加w-1使得行标与列标上的值不小于0，之后在行标乘上2h-1,再将行标与列标相加，再将w*h个矩阵拼接，由此可得到wh*wh的相对位置编码。再通过相对位置编码表(relativepositionbias)查询对应位置的取值作为最终的相对位置编码。[0045]相对位置编码表大小为(2w-1)*(2w-1)，该表在训练前随机初始化，能够通过训练不断学习。本发明在其之后连接一个多层感知机mlp进一步提升相对位置编码的信息丰富程度。本发明根据query，key，value分别建立对应的相对位置编码(relativepositionbias)，其结构如图4所示。[0046]swintransformer模型中的相对位置编码(relativepositionbias)模块没有与query、key和value值进行交互，因此缺乏足够信息，其原来的计算公式如下：[0047]attention[0048]发明将相对位置编码表(relativepositionbiastable)修改成基于qkv信息交互的结构，并引入残差机制进一步丰富信息，避免信息丢失，其计算公式如下：[0049]attention[0050]其中：[0051]bq,k＝q(bq)) k(bk))[0052]为自注意力模块中的query，key，value向量，bq，b*，bv都为对应q,k,v的相对位置矩阵,，d为selfattention输出向量z的维度。[0053](4)将构建好的zero-dce和tocswintransformer模型组合成本发明最终的ztocswintransformer模型，其结构如图3所示。[0054]本发明ztocswintransformer模型中，增加了适应多光线场景的zero-dce模块，同时对比传统的相对位置偏置，增加了与query、value、key三个向量的信息传递，在相对位置编码表(relativepositionbiastable)后添加了多层感知机(mlp)，以进一步融合信息，并增加了残差模块，避免信息在传递过程中损失，因此相比传统的相对位置编码，本发明方法大大减少了参数数量，同时增加了适用场景，使用了最新的目标检测框架并加以改进，对比其他的桑叶病虫害检测模型有着更好的准确性。[0055]经过多次训练，每次训练时由ztocswintransformer模型输出桑叶病虫害检测状态作为输出结果。将模型输出结果与步骤2划分的测试集进行分类误差和回归误差计算，根据验证和测试结果将训练后的ztocswintransformer模型的配置参数调节为最优配置参数，由此最优配置参数下的ztocswintransformer模型作为最终的模型。[0056](4)图像识别：[0057]选择六种健康、桑萎缩病、桑疫病、桑褐斑病、桑赤锈病和其他病害。将这些桑叶病害图像数据作为待识别数据集，输入至步骤(3)最终的ztocswintransformer模型中，由ztocswintransformer模型输出桑叶病害检测结果，得到输入的图像属于哪一种桑叶病虫害情况的信息，实现精准辨别检测。[0058]本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中工程技术人员对本发明的技术方案作出的各种变型和改进，均应落入本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。当前第1页12