1.一种植被叶片病害及严重程度识别方法,其特征在于,所述方法包括:
S1、搭建TSTC网络,所述TSTC网络包括依次连接的多任务特征提取模块、特征融合模块和深度监督模块;
S2、预设叶片分类标签和训练集,将所述训练集中的叶片病害图像输入至所述TSTC网络的多任务特征提取模块,经过处理得到三组浅层特征;
S3、所述TSTC网络的特征融合模块采用紧凑双线性池化技术对三组所述浅层特征进行融合,得到两组紧凑特征;
S4、将三组所述浅层特征和两组所述紧凑特征输入至所述TSTC网络的深度监督模块,经过处理得到相应的预测值,根据所述预测值和所述叶片分类标签计算所述TSTC网络的总损失,反向传播更新所述网络的网络参数,得到更新后的TSTC网络;
S5、将待检测叶片病害图像输入至所述更新后的TSTC网络,经过处理输出待检测叶片的预测值,根据所述待检测叶片的预测值得到待检测叶片的病害种类及严重程度;
所述S1中的多任务特征提取模块包括分块模块和若干个任务特征提取子模块,每个任务特征提取子模块包括线性嵌入模块或分块合并模块、以及若干个Swin Transformerblock模块,所述线性嵌入模块或分块合并模块与若干个所述Swin Transformer block模块连接,所述分块模块用于对输入的叶片病害图像进行分块,若干个所述任务特征提取子模块分为四个阶段三个分支网络提取叶片病害图像的浅层特征。
2.如权利要求1所述的植被叶片病害及严重程度识别方法,其特征在于,所述S2将所述训练集中的叶片输入至所述TSTC网络的多任务特征提取模块,经过处理得到三组浅层特征,具体包括:S21、将训练集中的叶片病害图像输入至所述多任务特征提取模块中的分块模块,经过处理,输出多个分块后叶片病害图像;
S22、采用所述多任务特征提取模块的第一阶段网络和第二阶段网络提取多个所述分块后叶片病害图像的浅层共享特征;
S23、采用所述多任务特征提取模块的第三阶段网络和第四阶段网络中的第一分支识别所述浅层共享特征,输出第一浅层特征f1,用于病害种类;
S24、采用所述多任务特征提取模块的第三阶段网络和第四阶段网络中的第二分支识别所述浅层共享特征,输出第二浅层特征f2,用于病害严重程度;
S25、采用所述多任务特征提取模块的第三阶段网络和第四阶段网络中的第三分支识别所述浅层共享特征,输出第三浅层特征f3,用于对所述TSTC网络进行监督。
3.如权利要求2所述的植被叶片病害及严重程度识别方法,其特征在于,所述S1中的特征融合模块包括并列连接的第一CBP层和第二CBP层,所述S3中特征融合模块采用紧凑双线性池化技术对三组所述浅层特征进行融合,得到两组紧凑特征,具体包括:S31、将所述第一浅层特征f1和第三浅层特征f3输入至所述第一CBP层,采用紧凑双线性池化技术进行融合,生成第一紧凑特征f13;
S32、将所述第二浅层特征f2和第三浅层特征f3输入至所述第二CBP层,采用紧凑双线性池化技术进行融合,生成第二紧凑特征f23。
4.如权利要求3所述的植被叶片病害及严重程度识别方法,其特征在于,所述第一紧凑特征和第二紧凑特征可用公式表示为:式中,B(·)代表双线性特征,C(·)代表紧凑特征,φ(·)代表低维投影函数,S、U和K代表位置,f1、f2、f3分别表示第一、第二、第三浅层特征,f13和f23分别为第一和第二紧凑特征。
5.如权利要求4所述的植被叶片病害及严重程度识别方法,其特征在于,所述S1中的深度监督模块包括若干个Flatten层和全连接层(FC),所述S4将三组所述浅层特征和两组所述紧凑特征输入至所述深度监督模块,经过处理输出相应的预测值,具体包括:S41、将所述第一浅层特征f1输入至依次连接的第一Flatten层和第一全连接层,经过处理输出病害分类预测值S42、将所述第二紧凑特征f23输入至依次连接的第二和第三全连接层,经过处理输出第一严重程度分类预测值S43、将所述第一紧凑特征f13输入至依次连接的第四和第五全连接层,经过处理输出第一总体分类预测值S44、将所述第二浅层特征f2输入至依次连接的第二Flatten层和第六全连接层,经过处理输出第二总体分类预测值S45、将所述第三浅层特征f3输入至依次连接的第三Flatten层和第七全连接层,经过处理输出第二严重程度分类预测值
6.如权利要求5所述的植被叶片病害及严重程度识别方法,其特征在于,所述S4中根据所述预测值和所述叶片分类标签计算所述TSTC网络的总损失,具体包括:S46、采用softmax分类器将所述分类预测值归一化,相应得到叶片图像归一化后的分类预测值;
S47、根据所述归一化后的分类预测值和所述叶片分类标签计算叶片分类损失;
S48、根据所述叶片分类损失计算中间交叉熵损失和输出交叉熵损失;
S49、根据所述中间交叉熵损失和输出交叉熵损失之和计算所述TSTC网络的总损失。
7.如权利要求6所述的植被叶片病害及严重程度识别方法,其特征在于,所述S47根据所述归一化后的分类预测值和所述叶片分类标签计算叶片分类损失,具体公式为:式中,li为叶片第i个分类损失,为叶片的第i个归一化后的预测值pi中的第m个分量,为第i个分类第m个分量对应的叶片分类标签,n为预测值中的分量总数。
8.如权利要求7所述的植被叶片病害及严重程度识别方法,其特征在于,所述S48中的中间交叉熵损失的计算公式具体为:所述S48中的输出交叉熵损失的计算公式具体为:
式中,Ls为中间交叉熵损失,l3为第一总体分类损失,l4为第二总体分类损失,l5为第二严重程度分类,Lo为输出交叉熵损失,l1为病害分类损失,l2为第一严重程度分类损失,代表第i个分类损失对应的权重(i=1,2,3,4,5)。
9.如权利要求8所述的植被叶片病害及严重程度识别方法,其特征在于,所述预测值包括病害分类预测值和第一严重程度分类预测值,所述S5中根据所述待检测叶片的预测值得到待检测叶片的病害种类及严重程度,具体包括:S51、根据所述待检测叶片的病害分类预测值得到待检测叶片的病害种类;
S52、根据所述待检测叶片的第一严重程度分类预测值得到待检测叶片的严重程度。