[发明专利]基于混合自注意力机制的番茄病害检测方法及系统

说明书

本发明公开一种基于混合自注意力机制的番茄病害检测方法及系统，方法包括将待识别番茄叶病图像输入到PACA‑ConvNeXt模型，PACA‑ConvNeXt模型包括ConvNeXt卷积神经网络，ConvNeXt卷积神经网络的各级ConNeXt Block模块中插入有PACA注意力机制模块，PACA注意力机制模块包括像素注意块和坐标注意块；每级ConNeXt Block模块对于输入的特征图，基于PACA注意力机制模块计算该特征图的像素相关性和坐标信息相关性，得到包含像素相关性和坐标信息相关性的混合注意力特征图；基于最后一级ConNeXt Block模块输出的混合注意力特征图，预测番茄病害的种类。

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于混合自注意力机制的番茄病害检测方法及系统。

背景技术

目前我国对番茄病害鉴定的方法主要是通过人工检测的方式，由于在植物病害出现的早期，病斑大都出现在叶片上且病斑特征相似，因病斑特征相似性、个人经验不足及周围环境等因素的影响，采用人工检测方式时，种植户对疾病种类容易产生误判，导致出现农民可能会用药不当或者错过最佳用药时机等问题，因此，能够在病害早期快速和准确识别番茄病害的种类是非常重要的。

随着深度学习技术的兴起，已诞生了许多优秀的卷积神经网络模型，如LeNet、AlexNet、VGGNet和GoogleNet等经典卷积神经网络模型，人们可以利用卷积神经网络直接提取特征，并且计算机视觉在农业上得到了广泛的应用。但上述模型具有一定的局限性，如要求图像采集设备精确度高、光照要求均匀和不复杂的图像背景，因此很难扩展到实际生产生活中。而且由于番茄病害具有背景复杂，纹理丰富，不同病害之间的特征差异较小等特性，加之传统的一些经典卷积神经网络模型在特征提取能力方面存在一定的局限性，在进行番茄病害检测时无法充分提取番茄病害的特征信息。

相关技术中，公布号为CN113963279A的专利申请文献提出了一种利用轻量级注意力网络识别水稻病害的系统，以轻量级网络作为骨干网络，加入注意力机制来学习输入特征通道间及空间点的重要性，对水稻图片中的水稻病害进行识别。该方案利用的是通道注意力，关注的是通道上的信息交互，通过对通道维度上的特征进行加权，保留重要的特征信息。

虽然通道注意力机制在挖掘不同特征通道间的关联性方面具有优势，能够有效提升深度学习模型的表达能力，但它主要关注的是全局信息，可能会忽视图像的局部结构和空间关系，这在农作物病害识别等涉及到空间信息的任务中尤其重要。比如，某些病害的形态(比如斑点的形状、大小、排列等)可能含有重要的空间关系信息。在相关文献中提到的注意力机制中，虽然考虑到了空间和通道信息，但可能并未强调像素级别的重要性，也可能未充分考虑坐标的上下文信息，这可能导致模型在识别具有明显局部特征或者全局分布特性的病害时效果不佳，例如，如果病害只在叶片的某一小部分区域内，那么这种局部细节信息就非常重要。没有像素级别的注意力机制，模型可能会错过这些关键信息。同样，如果病害在叶片上的分布有特定的模式，那么这种全局的上下文信息就变得非常关键。

发明内容

本发明旨在解决具备复杂背景的番茄叶病识别准确率低的问题。

本发明通过以下技术手段解决上述技术问题的：

本发明提出了一种基于混合自注意力机制的番茄病害检测方法，所述方法包括：

将待识别的番茄叶病图像输入到训练好的PACA ConvNeXt模型，其中，所述PACAConvNeXt模型包括ConvNeXt卷积神经网络，所述ConvNeXt卷积神经网络的各级ConNeXtBlock模块中插入有PACA注意力机制模块，所述PACA注意力机制模块包括像素注意块和坐标注意块；

每级ConNeXt Block模块对于输入的特征图，基于所述PACA注意力机制模块计算该特征图的像素相关性和坐标信息相关性，得到包含像素相关性和坐标信息相关性的混合注意力特征图；