[发明专利]一种适应田野的农作物病虫害自动识别方法

权利要求书

1.一种适应田野的农作物病虫害自动识别方法，其特征在于，包括以下步骤：

S1，获取农作物图像原始数据，并对所述农作物图像原始数据进行预处理；

S2，将预处理后的所述农作物图像原始数据输入改进后的农作物病虫害自动识别模型，预测出所述农作物图像原始数据相应的病虫害类别；

所述改进后的农作物病虫害自动识别模型的网络架构为：在卷积神经网络的骨干网络上增加了通道正交约束和物种分类约束两个分支，所述通道正交约束添加在所述骨干网络输出的最后一个特征上，所述物种分类约束添加在所述骨干网络输出的任何一个特征上；

所述卷积神经网络的骨干网络的处理过程具体包括：

S21，输入预处理后的农作物图像原始数据到卷积神经网络的骨干网络中，输出多层特征，每个所述特征由多张特征图组成；

S22，对所述骨干网络输出的最后一层特征进行全局平均池化操作，得到特征向量F_disease；

S23，使用全连接层将所述特征向量F_disease映射出一个以类别数为维度的logits_d向量，所述以类别数为维度的logits_d向量中，最大值对应的索引就是所述农作物图像数据相应的病虫害预测类别；

所述通道正交约束的处理过程具体包括：

A1，获取所述卷积神经网络的骨干网络输出的最后一层特征M₄的通道；

A2，将特征M₄每一个通道的特征图变换成特征向量，得到矩阵f；

A3，将所述矩阵f转置后得到矩阵f^T，所述矩阵f和矩阵f^T相乘得到方阵M_channel，所述M_channel体现了特征通道间的两两相互关系；

所述物种分类约束的处理过程具体包括：

B1，选取所述多层特征中的一层特征，为选中特征；

B2，对所述选中特征进行全局平均池化操作，得到特征向量F_species；

B3，使用全连接层将所述特征向量F_species映射出一个以类别数为维度的logits_s向量，所述以类别数为维度的logits_s向量中，最大值对应的索引就是所述农作物图像数据相应的农作物的物种类别；

所述改进后的农作物病虫害自动识别模型在网络训练阶段采用了综合损失函数，所述综合损失函数是疾病分类损失函数、物种分类损失函数和通道正交约束损失函数的加权求和；

所述通道正交约束损失函数为：

其中，M_channel是对称的余弦值方阵，表示对称的余弦值方阵的上三角元素之和，表示对称的余弦值方阵中最大的元素，λ是两者的平衡系数；

所述疾病分类损失函数为：

其中，K_d是农作物病害的总类别数，y_i表示的是当前样本所对应的真实病害类别，N是参与训练的样本数量，ε表示标签平滑因子，表示当前样本所对应的真实病害类别相应的预测概率，p_k是表示预测为第k类的概率；

所述物种分类损失函数为：

其中，K_s是农作物物种的总类别数，y_i表示的是当前样本所对应的真实物种类别，N是参与训练的样本数量，ε表示标签平滑因子，表示当前样本所对应的真实病害类别相应的预测概率，p_k是表示预测为第k类的概率。

2.如权利要求1所述的一种适应田野的农作物病虫害自动识别方法，其特征在于，步骤S1中，对所述农作物图像原始数据进行预处理，具体包括以下步骤：

K1，对所述农作物图像原始数据进行图像随机背景混合，得到混合后的图像；

K2，对所述混合后的图像进行随机缩放裁剪，得到用于训练模型的图像数据。

3.如权利要求2所述的一种适应田野的农作物病虫害自动识别方法，其特征在于，步骤K1具体包括以下步骤：

K11，对所述农作物图像原始数据进行图像分割，得到包含叶片的分割图；

K12，去除背景，得到只包含叶片的二值掩码；

K13，将所述只包含叶片的二值掩码混合在不同的背景图片中得到多个混合后的图像。