病害识别方法、装置、电子设备和存储介质与流程

本发明涉及人工智能，尤其涉及一种病害识别方法、装置、电子设备和存储介质。

背景技术：

1、随着科技的迅速发展，人们对于农作物的产量和质量要求越来越高。为提高农作物的产量和质量，需要对农作物进行病害识别，以基于病害识别结果及时采取植保作业。传统病害识别方式大多依靠专业人员对农作物受病害部位进行目测和实验室分析，然而该方式不仅耗费人力、物力和时间，且过于依赖专家经验，可能会存在误判的情况，进而导致病害识别的准确性下降。因此，如何准确对农作物进行病害识别是目前亟需解决的需求。

2、目前，采用病害识别模型对农作物图像进行病害识别，为了提高病害识别准确性，构建的病害识别模型往往进行较深层次的特征提取。然而，上述方式构建的病害识别模型为大型的模型，即其所需的计算资源和存储资源要求较高，而农作物病害识别大多应用于移动端等小型设备，即病害识别模型大多部署于移动端等小型设备，因此，现有技术构建的病害识别模型无法部署于小型设备。

技术实现思路

1、本发明提供一种病害识别方法、装置、电子设备和存储介质，用以解决现有技术中病害识别模型无法部署于小型设备的缺陷，实现轻量化的病害识别模型。

2、本发明提供一种病害识别方法，包括：

3、将待识别的农作物图像输入至病害识别模型中的特征提取层，得到所述特征提取层输出的图像特征；

4、将所述图像特征输入至所述病害识别模型中的目标瓶颈层，得到所述目标瓶颈层输出的目标特征；

5、将所述目标特征输入至所述病害识别模型中的病害识别层，得到所述病害识别层输出的病害识别结果；

6、其中，所述目标瓶颈层包括注意力层，所述注意力层包括依次连接的一维卷积层和激活层。

7、根据本发明提供的一种病害识别方法，所述目标瓶颈层包括级联的至少一个瓶颈层；

8、任一所述瓶颈层是基于如下方式进行特征提取：

9、将所述瓶颈层的输入特征向量输入至所述瓶颈层中的第一卷积层，得到所述第一卷积层输出的第一特征向量，所述第一卷积层包括依次连接的逐点卷积层和逐通道卷积层；

10、将所述第一特征向量输入至所述瓶颈层中的全局平均池化层，得到所述全局平均池化层输出的第二特征向量；

11、将所述第二特征向量输入至所述瓶颈层中的所述注意力层，得到所述注意力层输出的第三特征向量；

12、将所述第三特征向量与所述输入特征向量进行特征融合，得到融合特征向量；

13、将所述融合特征向量输入至所述瓶颈层中的第二卷积层，得到所述第二卷积层输出的第四特征向量，将所述第四特征向量作为所述瓶颈层的输出特征向量，所述第二卷积层包括逐点卷积层。

14、根据本发明提供的一种病害识别方法，所述注意力层中的激活层是采用hardswish函数构建的。

15、根据本发明提供的一种病害识别方法，所述农作物图像是基于如下方式确定：

16、获取采集农作物的初始图像，并确定所述病害识别模型的输入尺寸；

17、基于所述输入尺寸，对所述初始图像进行尺寸调整，得到尺寸为所述输入尺寸的所述农作物图像。

18、根据本发明提供的一种病害识别方法，所述输入尺寸是基于如下方式确定：

19、获取训练所述病害识别模型的样本图像集；

20、对所述样本图像集中各样本图像的图像尺寸进行聚类，得到一个类簇；

21、基于所述类簇的簇中心，确定所述输入尺寸。

22、根据本发明提供的一种病害识别方法，所述将待识别的农作物图像输入至病害识别模型中的特征提取层，得到所述特征提取层输出的图像特征，包括：

23、将所述农作物图像输入至所述特征提取层中的多尺度特征提取层，得到所述多尺度特征提取层输出的多个尺度的特征向量；

24、将所述多个尺度的特征向量输入至所述特征提取层中的特征融合层，得到所述特征融合层输出的图像特征；

25、其中，所述多尺度特征提取层包括并联的第一尺度特征提取层、第二尺度特征提取层和第三尺度特征提取层，所述第一尺度特征提取层包括依次连接的1*1卷积层、批量归一化bn层和基于hardswish函数构建的激活层，所述第二尺度特征提取层包括依次连接的3*3卷积层、批量归一化bn层和基于hardswish函数构建的激活层，所述第三尺度特征提取层包括依次连接的5*5卷积层、批量归一化bn层和基于hardswish函数构建的激活层。

26、根据本发明提供的一种病害识别方法，所述将所述多个尺度的特征向量输入至所述特征提取层中的特征融合层，得到所述特征融合层输出的图像特征，包括：

27、将所述多个尺度的特征向量输入至所述特征融合层，对所述多个尺度的特征向量进行特征相加，得到所述特征融合层输出的图像特征。

28、本发明还提供一种病害识别装置，包括：

29、特征提取模块，用于将待识别的农作物图像输入至病害识别模型中的特征提取层，得到所述特征提取层输出的图像特征；

30、特征输入模块，用于将所述图像特征输入至所述病害识别模型中的目标瓶颈层，得到所述目标瓶颈层输出的目标特征；

31、病害识别模块，用于将所述目标特征输入至所述病害识别模型中的病害识别层，得到所述病害识别层输出的病害识别结果；

32、其中，所述目标瓶颈层包括注意力层，所述注意力层包括依次连接的一维卷积层和激活层。

33、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述病害识别方法。

34、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述病害识别方法。

35、本发明提供的病害识别方法、装置、电子设备和存储介质，将待识别的农作物图像输入至病害识别模型中的特征提取层，得到特征提取层输出的图像特征，以将图像特征输入至病害识别模型中的目标瓶颈层，得到目标瓶颈层输出的目标特征，该目标瓶颈层包括注意力层，以实现特征增强，进而提高病害识别准确性，且注意力层包括依次连接的一维卷积层和激活层，从而使用一维卷积层替换全连接层，进而降低计算复杂度，以节省更多的计算资源，提高计算速度，进而降低病害识别模型的大小，实现轻量化的病害识别模型，同时提高病害识别模型的病害识别效率，最终提高病害防治的及时性；将目标特征输入至病害识别模型中的病害识别层，得到病害识别层输出的病害识别结果，从而在确保病害识别准确性的基础上，轻量化病害识别模型，以实现病害识别模型部署于小型设备，以使用户可以直接在移动端上进行病虫害识别，提高病虫害识别的便捷性。

技术特征：

1.一种病害识别方法，其特征在于，包括：

2.根据权利要求1所述的病害识别方法，其特征在于，所述目标瓶颈层包括级联的至少一个瓶颈层；

3.根据权利要求1或2所述的病害识别方法，其特征在于，所述注意力层中的激活层是采用hardswish函数构建的。

4.根据权利要求1所述的病害识别方法，其特征在于，所述农作物图像是基于如下方式确定：

5.根据权利要求4所述的病害识别方法，其特征在于，所述输入尺寸是基于如下方式确定：

6.根据权利要求1所述的病害识别方法，其特征在于，所述将待识别的农作物图像输入至病害识别模型中的特征提取层，得到所述特征提取层输出的图像特征，包括：

7.根据权利要求6所述的病害识别方法，其特征在于，所述将所述多个尺度的特征向量输入至所述特征提取层中的特征融合层，得到所述特征融合层输出的图像特征，包括：

8.一种病害识别装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述病害识别方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述病害识别方法。

技术总结
本发明提供一种病害识别方法、装置、电子设备和存储介质，涉及人工智能技术领域。其中方法包括：将待识别的农作物图像输入至病害识别模型中的特征提取层，得到所述特征提取层输出的图像特征；将所述图像特征输入至所述病害识别模型中的目标瓶颈层，得到所述目标瓶颈层输出的目标特征；将所述目标特征输入至所述病害识别模型中的病害识别层，得到所述病害识别层输出的病害识别结果；其中，所述目标瓶颈层包括注意力层，所述注意力层包括依次连接的一维卷积层和激活层。本发明可以实现轻量化的病害识别模型，同时提高病害识别模型的病害识别效率，最终提高病害防治的及时性。

技术研发人员：闫润强,蒋茁,邓柯珀,宋季锟,杨梓钰
受保护的技术使用者：河南讯飞人工智能科技有限公司
技术研发日：
技术公布日：2024/3/17