[发明专利]基于注意力机制和双分支网络的柑橘细粒度病害识别方法

权利要求书

1.一种基于注意力机制和双分支网络的柑橘细粒度病害智能识别方法，具体包括如下步骤：

S1.构建柑橘细粒度病虫害数据集；

S2.对ResNet-50的池化层进行改进，以改进的金字塔池化替换网络原最大池化层，在第五个卷积块后加入CBAM注意力机制，作为双分支网络的深层分支，用于提取柑橘病虫害相关的特征；

S3.构建双分支网络中的另一浅层分支，提取柑橘病虫害的细节纹理信息；

S4.将步骤S2和S3构建的双分支网络提取到的特征进行特征融合，加入SE注意力机制进行通道权重的重分配；

S5.采用步骤S1得到的数据集对注意力机制-双分支网络模型进行训练；

S6.设计细粒度病害判别标准；

S7.将待识别的柑橘病害图像输入经过步骤S5操作的模型中，得到柑橘所患病害种类及其细粒度病害程度。

2.根据权利要求1所述的一种基于注意力机制和双分支网络的柑橘细粒度病害智能识别方法，其特征在于，步骤S1具体包括如下分步骤：

S11.采集柑橘叶部病虫害图像；

S12.使用图像标注软件Labelme对S11步骤获得的样本进行标注，标注要求包含叶片轮廓以及病斑轮廓；

S13.按照VOC2012数据集的格式构建数据集，包括三个文件夹：ImageSets、JPEGImages和SegmentationClassAug，并按照6：2：2的比例将数据集划分为训练集、验证集和测试集，其中，ImageSets用来存放标记有训练集、验证集和测试集图片信息的txt文件，JPEGImages用来存放原始图片，SegmentationClassAug用来存放具有标签信息的图片；

S14.对数据集采用在线增广技术进行扩充，包含翻转、旋转变换以及高斯噪声操作，避免小数据集训练模型容易引起过拟合的风险。

3.根据权利要求1或2所述的一种基于注意力机制和双分支网络的柑橘细粒度病害智能识别方法，其特征在于，步骤S2具体实现如下：

对ResNet-50的最大池化层进行改进，采用2×2、4×4和16×16三种不同尺度的最大池化，来获得不同大小的特征图，除2×2池化得到的特征图，对另两个尺度的特征图进行上采样得到与2×2池化操作一样大小的特征图，然后元素相加后输入到第二个卷积块；在第五个卷积块之后加入CBAM注意力机制，所述CBAM注意力机制包括两个模块：通道注意力模块CAM和空间注意力模块SAM；CAM包含一个并行的最大池化和均值池化，以及两层1×1的卷积；SAM包含一个并行的最大池化和均值池化，以及一层7×7的卷积；最终深层分支的输出特征图尺寸为128×128×128。

4.根据权利要求3所述的一种基于注意力机制和双分支网络的柑橘细粒度病害智能识别方法，其特征在于，步骤S3具体实现如下：

构建的浅层分支包含三个卷积层和一个池化层；第一层卷积为3×3、步长为2，填充为1的卷积；二、三层卷积为3×3、步长为1，填充为1的卷积，卷积层后都采用批归一化和Relu激活函数，输出特征图尺寸为256×256；通过一层最大池化将特征图进行降维，使浅层分支输出特征图尺寸与骨干网络分支的输出保持一致性。

5.根据权利要求3所述的一种基于注意力机制和双分支网络的柑橘细粒度病害智能识别方法，其特征在于，步骤S4所述的SE注意力机制包含一个全局均值池化和两个全连接层。

6.根据权利要求4或5所述的一种基于注意力机制和双分支网络的柑橘细粒度病害智能识别方法，其特征在于，步骤S5训练时采用早停法，设定初始学习率0.01，学习率调整策略为Poly策略，采用了SGD优化器，动量设定为0.9，权重衰减为0.0001，采用交叉熵损失函数。

7.根据权利要求6所述的一种基于注意力机制和双分支网络的柑橘细粒度病害智能识别方法，步骤S6所述的设计细粒度病害判别标准具体如下：

针对病害呈现形式为大面积病斑的病害，通过计算病斑面积占叶片面积的比例来估算病情程度，当比例5％时将病情程度判定为轻微；当比例在6％-25％区间时判定为中等；当比例25％时判定为严重；

针对病害呈现形式为斑点状的病害，采用计算病斑个数的方式来估算病情程度；当叶片上的病斑个数在1-5内时判定为轻微；当病斑个数在6-15内时判断为中等；当病斑个数在15时将其判定为严重。