1.一种面向真实场景下的玉米叶片病害识别方法,其特征在于,包括:
获取训练样本集;
构建MSDCNeXt模型,所述模型包括依次连接的Stem层、多个阶段的MSDCNeXt block堆叠模块和分类识别模块,所述Stem层用于对模型输入进行降采样,多个阶段的MSDCNeXt block堆叠模块用于提取玉米叶片图像特征,分类识别模块用于输出玉米叶片病害识别结果,每个阶段的MSDCNeXt block堆叠模块后面设有降采样层,所述的MSDCNeXt block内部采用瓶颈结构的残差模块,分类识别模块包括一个全局平均池化层和一个多分类的全连接层;
基于训练样本集训练所述MSDCNeXt模型,获取玉米叶片病害识别模型;
针对待识别的玉米叶片图像,通过训练完成的玉米叶片病害识别模型进行图像分析,获取玉米叶片病害识别结果。
2.根据权利要求1所述的一种面向真实场景下的玉米叶片病害识别方法,其特征在于,所述MSDCNeXt模型,包括4个阶段的MSDCNeXt block堆叠模块,4个阶段中MSDCNeXt block堆叠个数比例为1:1:3:1。
3.根据权利要求2所述的一种面向真实场景下的玉米叶片病害识别方法,其特征在于,所述MSDCNeXt block,包括依次连接的第一层卷积网络、第二层卷积网络、第三层卷积网络,所述第一层卷积网络、第二层卷积网络、第三层卷积网络的通道数采用瓶颈结构,第一层卷积网络输入、第三层卷积网络输出的通道数均大于第二层卷积网络的通道数。
4.根据权利要求3所述的一种面向真实场景下的玉米叶片病害识别方法,其特征在于,所述MSDCNeXt block,第二层卷积网络采用多尺度特征融合结构,第二层卷积网络包括至少3个不同尺度的特征提取结构,基于提取得到的至少3个不同尺度特征图进行融合。
5.根据权利要求4所述的一种面向真实场景下的玉米叶片病害识别方法,其特征在于,所述MSDCNeXt block,第二层卷积网络的特征提取结构至少包括:第一尺度特征提取结构:包括k1层深度可分离卷积层;
第二尺度特征提取模块:包括k2层深度可分离卷积层;
第三尺度特征提取模块:包括k3层深度可分离卷积层,所述k1、k2、k3表征深度可分离卷积层的层数,且k1、k2、k3取值不同。
6.根据权利要求5所述的一种面向真实场景下的玉米叶片病害识别方法,其特征在于,所述MSDCNeXt block,第二层卷积网络中的每一层深度可分离卷积层中采用小核卷积,卷积核尺寸采用3*3。
7.根据权利要求3所述的一种面向真实场景下的玉米叶片病害识别方法,其特征在于,所述第一层卷积网络采用级联的1*1卷积层和GELU激活函数层,第二层卷积网络中的每一层深度可分离卷积层之后连接一层Layernorm归一化层;
所述第三层卷积网络采用级联的1*1卷积层、Layer Scale层和Drop Path层。
8.根据权利要求3所述的一种面向真实场景下的玉米叶片病害识别方法,其特征在于,所述MSDCNeXt block,还包括与第三层卷积网络输出端连接的注意力模块。
9.根据权利要求1所述的一种面向真实场景下的玉米叶片病害识别方法,其特征在于,所述获取训练样本集,包括基于Mixup数据增强算法扩增训练样本及训练样本的分布范围。
10.一种面向真实场景下的玉米叶片病害识别装置,其特征在于,包括:
训练数据获取单元,用于获取训练样本集;
训练模型获取单元,用于构建MSDCNeXt模型,所述模型包括依次连接的Stem层、多个阶段的MSDCNeXt block堆叠模块和分类识别模块,所述Stem层用于对模型输入进行降采样,多个阶段的MSDCNeXt block堆叠模块用于提取玉米叶片图像特征,分类识别模块用于输出玉米叶片病害识别结果,每个阶段的MSDCNeXt block堆叠模块后面设有降采样层,所述的MSDCNeXt block内部采用瓶颈结构的残差模块,分类识别模块包括一个全局平均池化层和一个多分类的全连接层;
模型训练单元,用于基于训练样本集训练所述MSDCNeXt模型,获取玉米叶片病害识别模型;
玉米叶片病害识别单元,用于针对待识别的玉米叶片图像,通过训练完成的玉米叶片病害识别模型进行图像分析,获取玉米叶片病害识别结果。