1.一种基于高光谱图像的柑橘果实病害识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于高光谱图像的柑橘病害识别方法,其特征在于:所述步骤2中的黑白校正基于以下公式完成:
3.根据权利要求1所述的一种基于高光谱图像的柑橘病害识别方法,其特征在于:所述步骤3中的感兴趣光谱波长为413,431,437,442,444,460,463,468,473,516,532,534,564,566,569,585,588,591,593,596,601,604,607,639,642,644,652,658,688,729,734,739,742,745,750,753,759,770,792,808,814,819,880,964总共44个波长,单位为nm,其余波长的数据删除,重新组成高光谱图像。
4.根据权利要求1所述的一种基于高光谱图像的柑橘果实病害识别方法,其特征在于:所述步骤4中使用掩膜对x1进行背景去除,背景区光谱值设置为0,得到x2:具体的背景去除过程为使用百度飞桨的eiseg分割工具得到高光谱图像数据的腌膜,然后通过python3.9使用torch库将高光谱图像与腌膜文件做矩阵运算,去除背景。
5.根据权利要求1所述的一种基于高光谱图像的柑橘果实病害识别方法,其特征在于:所述步骤5具体的高光谱图像的裁剪使用python3.9完成,具体的步骤为寻找图像中样本的上下左右最极值的像素点,求得图像矩形轮廓,以长度为基准,对宽度两侧均匀添加像素点为0的背景,获得柑橘果实样本的正方形图像。
6.根据权利要求1所述的一种基于高光谱图像的柑橘果实病害识别方法,其特征在于:所述步骤7输入的数据输入模型前长宽调整为224*224。
7.根据权利要求1所述的一种基于高光谱图像的柑橘果实病害识别方法,其特征在于:所述步骤7的柑橘果实病害的识别模型包括光谱处理模块和图像处理模块。
8.根据权利要求7所述的光谱处理模块,其特征在于:对于输入的图像,使用全局平均池化,将输入的图像调整为1×1×44,通过全连接层调整为1×1×224,输入seblock模块提取注意力,提取因子为0.25,维度和大小不变,然后输入双向lstm,隐藏层为4,输出1×8的模型参数。
9.根据权利要求7所述的图像处理模块,其特征在于:
10.根据权利要求8所述的seblock模块,其特征在于:具体为对输入数据input首先通过全局平均池化得到1×1×c,然后通过全连接层将通道降维为通道数除以提取因子得到1×c/r,激活函数为relu,紧接着使用全连接层恢复原来通道数1×c,激活函数为sigmoid,得到的1×c与输入数据相乘,得到输出数据output。
11.根据权利要求10所述的basicblock模块,其特征在于:输入的数据input经过两层堆叠的卷积块,卷积块具体为第一步进行卷积,卷积核为3×3,步长为3,第二步进行批归一化,第三步使用激活函数relu。