[发明专利]一种园林植物叶病分类方法

说明书

本发明公开了一种园林植物叶病分类方法，包括获取园林植物叶病图像数据集；利用获得的数据集训练叶病图像分类网络；将叶片图像输入训练好叶病图像分类网络，利用叶病图像分类网络对叶片图像进行分类等步骤。其中，叶病图像分类网络包括头部卷积层、双注意力特征提取模块、尾部全局平均池化层、尾部全连接层和softmax激活层，双注意力特征提取模块包括顺次连接的第一特征提取单元、第二特征提取单元、第三特征提取单元和局部最大池化层。本发明在第一特征提取单元中设置了一级空间注意力模块和二级通道注意力模块，通过注意力机制强化叶片图像中高频信息，能够从低分辨率图像中获得更多具有辨识度的特征信息，从而提升分类准确率。

技术领域

本发明属于图像处理和人工智能技术领域，具体地说，涉及一种园林植物叶病分类方法。

背景技术

现有技术中，通常利用深度学习技术自动提取植物叶病病斑的图像特征，然后根据病斑的特征对叶病进行分类，实现植物叶病的辅助诊断。在园林绿化区域，人工种植的植物比较规整，而且很多观赏性植物叶片面积都比较大，可以直接利用设置在高位的监控设备获取植物叶片图像。但是，由于摄像头到植物叶片的距离较远，获得的叶片表面病斑分辨率比较低，现有的分类网络根据低分辨率植物叶片图像对植物叶病分类准确率偏低，预测出错概率大。

发明内容

针对现有技术中上述的不足，本发明提供了一种园林植物叶病分类方法，以提高根据低分辨率植物叶片图像进行叶病分类的正确率。

为了达到上述目的，本发明采用的解决方案是：一种园林植物叶病分类方法，包括以下步骤：

S1、获取园林植物叶病图像数据集；

S2、利用步骤S1中获得的数据集训练叶病图像分类网络；

S3、获取待分类的叶片图像，获取步骤S2中训练好的叶病图像分类网络，将所述叶片图像输入所述叶病图像分类网络，利用所述叶病图像分类网络对所述叶片图像进行分类，从而完成对叶片上所携带的叶病分类；

其中，所述叶病图像分类网络包括头部卷积层、双注意力特征提取模块、尾部全局平均池化层、尾部全连接层和softmax激活层，

所述尾部全局平均池化层、所述尾部全连接层和所述softmax激活层首尾顺次连接，多个所述双注意力特征提取模块首尾顺次连接，位于后部的所述双注意力特征提取模块的输出端与所述尾部全局平均池化层的输入端连接，位于前部的所述双注意力特征提取模块的输入端与所述头部卷积层的输出端连接。

进一步地，所述双注意力特征提取模块包括顺次连接的第一特征提取单元、第二特征提取单元、第三特征提取单元和局部最大池化层，所述第一特征提取单元的数学模型为：

K1＝σ₁(f₃₁(G_n))

K2＝σ₂(f₃₂(G_n))

K3＝σ₃(f₃₃(K2))

K4＝[K1,K3]·f_FSA([K1,K3])

K5＝K4·f_SCA([K1,K2],K4)