[发明专利]一种基于Transformer的农作物叶片病害检测方法

说明书

本发明公开了一种基于Transformer的农作物叶片病害检测方法，涉及农作物病害检测技术领域，包括以下步骤：S1、获取n幅用于模型训练的农作物叶片图像；S2、构建初始的叶片病害检测模型；S3、利用样本集训练初始的叶片病害检测模型，从而得到训练完成的叶片病害检测模型；S4、利用训练完成的叶片病害检测模型对待检测的农作物叶片图像进行检测，得到农作物叶片图像中农作物叶片病害检测结果。本发明模型采用编码器和解码器结构，编码器主要采用Transformer完成特征的提取工作，相较于传统的卷积神经网络速度更快，参数量更少；在解码器中，利用Transformer输出特征图进行特征融合的部分采用通道注意力机制，能够很好的减少模型参数量同时不会使性能下降。

技术领域

本发明涉及农作物病害检测技术领域，更具体地，涉及一种基于Transformer的农作物叶片病害检测方法。

背景技术

在农作物生长过程中，常常会因为天气、微生物、生长环境等因素的影响而感染各种病害。这些病害常发生于植株的茎秆和叶片部分，其中叶片部分的病害特征最为明显且影响最为严重。由于病斑影响了农作物叶片的光合作用导致生长缓慢甚至落叶，从而影响农作物产量。

目前最常见的农作物病害检测方法，农民们根据自己多年的种植经验来判断农作物是否发生了病害，分辨出病害种类以及病害的程度，并根据自己的判断来对其采取相应的防治措施。在农作物种植面积较广的情况下，人工方式很难进行大规模的农作物病害监控，通过人为方式来识别病害是不切实际的，且这种识别方式覆盖面较小，其准确性难以得到保障。而常见的基于深度学习的农作物检测方法通常依赖于卷积神经网络，对硬件的计算性能要求较高，无法很好的满足边缘设备的部署需求。

现有技术公开了一种基于卷积神经网络的苹果树干病害识别与分类方法，该方法利用深度学习的VGG模型进行苹果树干病害检测节约人力，但模型参数量和计算量较高，因此检测速度较慢。

为此，结合以上需求和现有技术中对硬件的计算性能要求较高、检测速度较慢的技术缺陷，本申请提出了一种基于Transformer的农作物叶片病害检测方法。

发明内容

本发明提供了一种基于Transformer的农作物叶片病害检测方法，能够在使用参数量更少的条件下达成更快的病害检测速度。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

本发明第一方面提供了一种基于Transformer的农作物叶片病害检测方法，本方法包括以下步骤：

S1、获取n幅用于模型训练的农作物叶片图像，标记农作物叶片图像中的病害区域，得到完成标记的农作物叶片图像的样本集。

S2、构建初始的叶片病害检测模型，所述初始的叶片病害检测模型包括编码器和解码器，编码器采用Transformer结构进行高层特征提取，解码器采用通道注意力机制对编码器Transformer输出特征图进行特征融合。

S3、利用步骤S1的样本集训练初始的叶片病害检测模型，从而得到训练完成的叶片病害检测模型。

S4、利用训练完成的叶片病害检测模型对待检测的农作物叶片图像进行检测，得到农作物叶片图像中农作物叶片病害检测结果。

进一步的，步骤S1中获取所述标记农作物叶片图像的方法具体为：

S11、获取n幅用于模型训练的农作物叶片图像，其中农作物叶片图像具有RGB三个通道；所述农作物叶片图像包括健康叶片的农作物叶片图像和病害叶片的农作物叶片图像。