[发明专利]一种用于农作物病害识别的轻量级注意力机制网络

权利要求书

1.一种用于农作物病害识别的轻量级注意力机制网络，其特征在于以MobileViT模型为基础加入的改进的注意力机制，在MobileViT模型的部分MobileViT块中加入通道注意力机制，在MobileViT模型的最后加入通道注意力机制和空间注意力机制；

所述通道注意力机制基于CBAM注意力机制，还包括一维卷积；通道注意力机制用于分析图像通道间的关系，给每个通道一个权重，来获取关键信息，从而提升网络的性能；

所述空间注意力机制基于CBAM注意力机制，还包括多分支网络结构、空洞卷积；所述多分支网络结构由不同大小的卷积核构建，所述空洞卷积层用于增加感受野；空间注意力机制用于分析图像空间之间的关系，给每个像素点一个权重，从而在空间维度获取重要的信息。

2.如权利要求1所述一种用于农作物病害识别的轻量级注意力机制网络，其特征在于所述以MobileViT模型为基础加入的改进的注意力机制，使用PlantVillage公开数据集所有的数据进行训练测试，训练的方法具体如下：

采用公开数据集PlantVillage训练模型，PlantVillage是一个公开的农作病害数据集，包含38个类别；将PlantVillage数据集随机按照6︰2︰2的比例划分成训练集、验证集和测试集；其中训练集用于模型的训练，验证集用于在训练过程中检验模型状态，测试集用于最后测试模型的效果；

在模型训练过程中，训练集中的每个样本由输入图像和该图像对应的真实类别标签构成；将训练集中的样本数据输入到模型中，得到模型的预测输出，模型的输出为一个向量，假设有C个类别，那么会输出一个总共有C个元素的向量，每个位置代表这个类别的概率；输入图像的真实标签也为一个包含C个元素的向量，该向量的元素只有一个是1，其他都为0，为1的那个位置代表图像的真实类别标签；将模型输出的结果(即预测的标签)与输入图像的真实标签进行比较，通过交叉熵损失函数计算损失，交叉熵损失函数的计算公式为其中C为类别的个数，p_c为取值为0或1的变量(如果c为真实类别，那么p_c＝1，否则p_c＝0)，q_c为模型预测类别c的概率；计算完损失之后，通过反向传播，计算模型参数的梯度，并采用AdamW优化器更新网络模型参数；在实际训练过程中，采用mini-batch的方式，即每次输入一批样本数据到模型中，具体的训练过程如下所示：

(1)输入一批图像样本数据到模型中；

(2)通过模型计算出这批数据的预测类别；

(3)将模型输出得到的预测类别和真实类别比较，通过交叉熵损失函数计算损失；

(4)进行反向传播操作，计算模型参数的梯度，采用AdamW优化器更新网络模型参数；

(5)重复上述步骤，当达到训练设定的次数时结束。

3.如权利要求1所述一种用于农作物病害识别的轻量级注意力机制网络，其特征在于所述改进的注意力机制具体包括以下步骤：

1)构建通道注意力机制，用于分析图像通道间的关系，给每个通道一个权重，获取关键信息，从而提升网络的性能；

2)构建空间注意力机制，给每个像素点一个权重，对于输入的图像，通过全局平均池化和最大池化将通道信息进行压缩，使用不同大小的卷积核构建多分支网络，以更好的融合信息，提升网络的表征能力，捕获农作物病害信息；使用空洞卷积以增加感受野；将压缩后的图像通过多个卷积核进行处理，结果相加融合，再通过sigmoid计算得到注意力分数；

3)构建用于农作物病害识别的轻量级注意力机制网络，采用MobileViT模型作为基础模型，在MobileViT模型的部分MobileViT块中加入通道注意力机制，在MobileViT模型的最后加入通道注意力和空间注意力机制，实现更好地捕获通道信息和空间信息。