[发明专利]一种轻量级多尺度CNN模型的小麦病害检测方法

权利要求书

1.一种轻量级多尺度CNN模型的小麦病害检测方法，其特征在于：包括以下步骤:

S1、利用拍摄设备采集小麦病害图像,将小麦病害图像尺码大小统一，并对每类病害进行分类标注；

S2、通过旋转、对称翻转、提高对比度对小麦病害数据扩充，将原始数据集扩充到8495张；按照训练集:验证集:测试集＝6:2:2的比例划分数据集；

S3、设计小麦病害图像检测的网络模型；

S4、将S2中得到的小麦病害训练样本在S3所设计的网络模型中进行训练并在测试集上测试；

S5、将已训练好的模型在验证集上进行验证，快速精准识别各种小麦病害。

2.根据权利要求1所述的一种轻量级多尺度CNN模型的小麦病害检测方法，其特征在于：所述步骤S1具体为:将采集小麦病害图像保存同一图片格式，并且统一图片尺码大小；对采集到的图像进行分类标注。

3.根据权利要求1所述的一种轻量级多尺度CNN模型的小麦病害检测方法，其特征在于：所述步骤S2中,所收集的小麦病害样本来实际麦田拍摄，数据集共3003张,通过旋转、对称翻转、提高对比度等操作对小麦病害数据扩充，将原始数据集扩充到8495张；按照训练集:验证集:测试集＝6:2:2的比例划分数据得到训练集5097张，验证集1699张，测试集1699张。

4.根据权利要求3所述的一种轻量级多尺度CNN模型的小麦病害检测方法，其特征在于：所述步骤S2中，在每一层残差模块中加入CBAM和NAM注意力模块；CBAM整体的注意过程可以概括为：

其中，Y∈C×W×H是输入的特征图,C代表特征图的通道数，W代表特征图的宽度，H代表特征图的高度；Mc表示通道注意力机制；表示逐元素乘法；Ms表示空间注意力机制；Y'和Y”为输出特征图；

NAM整体的注意过程可以概括为：

通道注意力模块：

x_c＝GlobalAvgPoolx∈R^C

x_s＝GlobalStdPoolx∈R^C

s＝ScaleFactorx∈R

w_c＝s·(x_c+x_s)∈R^C

w_c＝Threshold(w_c)∈R^C

x′＝x⊙w_c

其中，x是输入特征图，C是通道数，GlobalAvgPool和GlobalStdPool分别是全局平均池化和全局标准差池化，ScaleFactor是缩放因子，w_c是通道权重向量，Threshold是阈值函数，⊙是逐元素相乘，x′是输出特征图；

空间注意力模块：

x_f＝Conv₁(x)∈R^H×W

x_f＝Conv₂(x_f)∈R^H×W

s＝ScaleFactor(x_f)∈R

w_s＝s·x_f∈R^H×W

w_s＝Threshold(w_s)∈R^H×W

x′＝x⊙w_s

其中，x是输入特征图，H和W分别是高度和宽度，Conv₁和Conv₂分别是两个卷积层，ScaleFactor是缩放因子，w_s是空间权重矩阵，Threshold是阈值函数，⊙是逐元素相乘，x′是输出特征图。