1.一种早期松材线虫病害识别方法,其特征是,包括如下步骤:获取待识别的松材线虫病害图像;
将所述松材线虫病害图像输入至训练好的松材线虫病害识别模型中,得到对应的松材线虫病害识别结果;
其中,所述松材线虫病害识别模型包括:
输入模块,用于输入松材线虫病害图像;
ShuffleNetViT网络模块,用于根据所述松材线虫病害图像,进行特征提取,得到不同尺度的图像提取特征,包括第一提取特征、第二提取特征和第三提取特征;
第一ECA注意力机制模块,用于根据所述第一提取特征基于ECA注意力机制提取特征空间信息,生成第一加权特征;
第二ECA注意力机制模块,用于根据所述第二提取特征,基于ECA注意力机制提取特征空间信息,生成第二加权特征;
RFB感受野模块,用于根据所述第三提取特征,通过多分支卷积以扩大感受野,得到第三加权特征;
PANet网络模块,用于根据所述第一加权特征、第二加权特征和第三加权特征,通过多尺度特征融合和信息传播,得到图像预测特征;
输出模块,用于根据所述图像预测特征,输出松材线虫病害识别结果;
其中,所述ShuffleNetViT网络模块包括:
预处理单元,用于根据所述松材线虫病害图像,进行卷积和最大池化操作,得到预处理特征;
第一特征提取单元,用于根据所述预处理特征,基于ShuffleNetV2网络和ShuffleViT网络进行局部和全局特征的提取,得到第一提取特征;
第二特征提取单元,用于根据所述第一提取特征,基于ShuffleNetV2网络和ShuffleViT网络进行局部和全局特征的提取,得到第二提取特征;
第三特征提取单元,用于根据所述第二提取特征,基于ShuffleNetV2网络和ShuffleViT网络进行局部和全局特征的提取,得到第三提取特征。
2.根据权利要求1所述的早期松材线虫病害识别方法,其特征是,所述RFB感受野模块中,得到第三加权特征,包括如下步骤:根据所述第三提取特征,通过多分支卷积和连接卷积操作,得到处理后的提取特征;
根据所述处理后的提取特征,与基于Shortcut跳跃连接后的第三提取特征进行融合操作,得到第三加权特征。
3.根据权利要求1所述的早期松材线虫病害识别方法,其特征是,所述PANet网络模块包括:多尺度特征融合单元,用于根据所述第一加权特征、第二加权特征和第三加权特征,通过上采样操作,得到第一融合特征、第二融合特征和第三融合特征;
第三ECA注意力机制单元,用于根据所述第一融合特征,基于ECA注意力机制提取特征空间信息,生成第三加权特征;
第四ECA注意力机制单元,用于根据所述第二融合特征,基于ECA注意力机制提取特征空间信息,生成第四加权特征;
第五ECA注意力机制单元,用于根据所述第三融合特征,基于ECA注意力机制提取特征空间信息,生成第五加权特征;
预测单元:根据所述第三融合特征、第三加权特征、第四加权特征和第五加权特征,通过下采样和卷积操作,得到图像预测特征。
4.根据权利要求1所述的早期松材线虫病害识别方法,其特征是,所述松材线虫病害识别模型的训练方法包括如下步骤:获取训练集;
根据所述训练集,基于预设的总损失函数对预构建的松材线虫病害识别模型进行训练,直至满足预设的迭代终止条件输出训练好的松材线虫病害识别模型;所述总损失函数包括边界框损失函数、置信度损失函数和分类损失函数,其中,所述总损失函数包括边界框损失函数、置信度损失函数和分类损失函数;
所述迭代终止条件为在连续n次迭代中总损失函数处于收敛则认定为训练终止,n≥300。
5.根据权利要求4所述的早期松材线虫病害识别方法,其特征是,所述总损失函数的表达式如下:L=γbboxLbbox+γobjLobj+γclsLcls式中,L表示总损失函数;γbbox表示边界框损失函数的权重系数;Lbbox表示边界框损失函数;γobj表示置信度损失函数的权重系数;Lobj表示置信度损失函数;γcls表示分类损失函数的权重系数;Lcls表示分类损失函数。
6.根据权利要求5所述的早期松材线虫病害识别方法,其特征是,所述边界框损失函数Lbbox的表达式如下:式中,IoU表示预测框与真实框的交并比;ρ2(b,bgt)表示预测框和真实框中心点之间的欧氏距离;c表示包围预测框和真实框的最小闭包对角线长度;α表示用于平衡IoU和形状一致性损失的平衡系数,v表示用于度量预测框和真实框长宽比一致性的参数,ωgt表示真实框的长;hgt表示真实框的宽;ω表示预测框的长;h表示预测框的宽。
7.根据权利要求5所述的早期松材线虫病害识别方法,其特征是,所述置信度损失函数Lconf的表达式如下:式中,Nobj表示松材线虫病害图像中检测到的目标数量;ci表示第i个目标是否为正样本的指示变量,ci为1表示正样本,ci为0表示负样本;表示第i个目标的置信度预测值。
8.根据权利要求5所述的早期松材线虫病害识别方法,其特征是,所述分类损失函数Lcls的表达式如下:式中,Ncls表示类别数量;yi表示第i个类别的真实标签;表示第i个类别的预测概率。
9.一种早期松材线虫病害识别系统,适用于权利要求1-8任一项所述的早期松材线虫病害识别方法,其特征是,包括:数据获取模组,用于获取待识别的松材线虫病害图像;
病害识别模组,用于将所述松材线虫病害图像输入至训练好的松材线虫病害识别模型中,得到对应的松材线虫病害识别结果;
其中,所述松材线虫病害识别模型包括:
输入模块,用于输入松材线虫病害图像;
ShuffleNetViT网络模块,用于根据所述松材线虫病害图像,进行特征提取,得到不同尺度的图像提取特征,包括第一提取特征、第二提取特征和第三提取特征;
第一ECA注意力机制模块,用于根据所述第一提取特征基于ECA注意力机制提取特征空间信息,生成第一加权特征;
第二ECA注意力机制模块,用于根据所述第二提取特征,基于ECA注意力机制提取特征空间信息,生成第二加权特征;
RFB感受野模块,用于根据所述第三提取特征,通过多分支卷积以扩大感受野,得到第三加权特征;
PANet网络模块,用于根据所述第一加权特征、第二加权特征和第三加权特征,通过多尺度特征融合和信息传播,得到图像预测特征;
输出模块,用于根据所述图像预测特征,输出松材线虫病害识别结果。