欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023109633988
申请人: 无锡牧信科技有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种面向农作物叶面病害识别的神经网络构建方法,其特征在于,包括以下步骤步骤一、构建金字塔多尺度卷积特征提取模块;

步骤二、构建通道和空间维度联合注意力机制模块;

步骤二具体包括:

通道和空间维度联合注意力机制模块包括通道维度特征提取层、空间维度特征提取层,其中通道维度特征提取层、空间维度特征提取层为并行操作,之后两个提取层的输出结果经过加和后形成输出结果;

通道维度特征提取层由全局平均池化层、第一卷积层、第二卷积层顺序连接组成;

S21:输入尺寸特征图为共三个维度,经过全局平均池化层之后尺寸转换为,将多个不同尺寸的特征图经过全局平均池化层之后在特征矩阵的最后一个维度上进行组合,即,之后将特征矩阵的第一和第二维度互换,从而得到尺寸为大小的特征图;

其中代表通道维度的通道数,表示输入当前模块特征图的高,表示输入当前模块特征图的宽,代表不同尺度特征数量;

S22:在通道维度特征提取层中均选用卷积核大小为1×1的卷积层,输入经过第一卷积层后再经过一个ReLu激活函数,将特征向量在通道维度进行扩展,从而将特征图尺寸大小转换为 ,其中:d为膨胀系数;

S23:将特征图尺寸经过变换后转换为 ,再经过第二卷积层在通道维度进行压缩后,特征图尺寸变为,最后将第一和第二维度互换后变为;

空间维度特征提取层由包含卷积核大小为1×3的第一卷积层和卷积核大小为3×1的卷积层顺序连接组成;S24:输入特征图首先经过卷积核大小为1×3的卷积层,用于学习输入特征图在垂直方向的特征,卷积层后均接一个正则化层和一个ReLu激活函数层;

S25:输出结果再经过卷积运算后的输出向量再经过卷积核大小为3×1的卷积层,用于学习输入特征图在水平方向的特征;空间维度特征提取层的输入特征图与输出特征图的尺寸相同,均为;

S26:通道维度特征提取层和空间维度特征提取层的输出结果采用对应位置元素相加的方法,将通道维度特征提取层输出结果,即大小的特征矩阵值叠加到空间维度特征提取层结果上,从而生成一个三维特征权重向量,尺寸为;

步骤三、构建多尺度特征关系建模与自适应特征选取模块;

步骤三具体包括:

S31:将该三维特征向量输入到一个卷积核大小为1×1的卷积层并在通道维度上进行维度压缩,使输出特征图尺寸变为;

其中表示压缩比率;

S32:将输出特征图输入到另一个卷积核大小为1×1卷积层中将特征图维度数量还原成原大小,即大小的三维特征权重;重复该步操作,生成与特征尺度一一对应的三维特征权重,即个大小的特征权重向量,通过以上步骤实现多尺度特征关系建模;

S33:为实现对多尺度特征的重构,将所得的个大小的特征权重向量分别与对应尺度的输入特征向量相乘,在激励对应尺度重要特征的同时抑制非重要特征,从而实现农作物叶面病害特征的选择;

S34:为进一步实现多尺度的特征选择,将带有特征权重的输出向量在尺度维度上采用Softmax函数将各个对应位置元素都映射到(0,1)区间内,即各尺度的三维特征权重向量对应元素点值相加后结果为1,最后将特征重分配后的特征向量相加得到最终输出向量,即实现特征的自适应选择;

步骤四、将步骤一、步骤二和步骤三中的各模块组合成多尺度自适应特征提取模块;

步骤五、通过叠加多尺度自适应特征提取模块组成特征提取模块组,根据输出特征图大小的不同,设计若干组卷积组,组合成识别模型。

2.根据权利要求1所述的一种面向农作物叶面病害识别的神经网络构建方法,其特征在于,步骤一具体包括:金字塔多尺度卷积特征提取模块根据所属的卷积组采用多种不同大小的卷积核,从叠加的特征提取模块组的输入到输出方向上;

第一组卷积组中的“金字塔多尺度卷积特征提取模块”由3×3卷积核、5×5卷积核、7×7卷积核、9×9卷积核,共四种类型卷积核组成;

第二组由3×3卷积核、5×5卷积核、7×7卷积核,共三种类型卷积核组成;

第三组由3×3卷积核、5×5卷积核,共两种类型卷积核组成;

第四组由3×3卷积核,共一种类型卷积核组成;

每个卷积层后接一个正则化层和一个ReLU激活函数层,由此在卷积模块内部和各卷积组之间均形成金字塔特征提取结构;

原始输入图像尺寸为224×224像素,在经过一个卷积核大小为7×7像素,步长为2的卷积层后,将通道数为3的输入图像转换为64通道,尺寸为112×112像素的特征图;

经过一个池化窗口为3×3像素,步长为2,填充为1的最大池化层,使输出尺寸变为56×56像素之后;

该特征图被输入到第一个卷积组中,由3×3卷积核、5×5卷积核、7×7卷积核和9×9卷积核分别做卷积运算后获得四个尺寸为56×56像素,通道数为256的特征图,供通道和空间维度联合注意力机制及关系建模模块实现关系建模,第二组、第三组和第四组的输出特征图尺寸分别为28×28像素、14×14像素和7×7像素,通道数分别为512、1024和2048。

3.根据权利要求1-2任一项所述的一种面向农作物叶面病害识别的神经网络构建方法,其特征在于,每个卷积组中包含有两个金字塔多尺度卷积特征提取模块,同时每个金字塔多尺度卷积特征提取模块中可包含有多个具有不同卷积核大小的卷积层。