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: 2024107420801
申请人: 江西农业大学
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.基于深度密集残差模块的植物叶片病害识别方法,其特征在于,采集植物叶片图像,通过依次设置的第一特征提取阶段、第二特征提取阶段、第三特征提取阶段、第四特征提取阶段和第五特征提取阶段对植物叶片图像进行特征提取,最后由第五特征提取阶段的全连接层处理得到分类结果;

所述第二特征提取阶段,特征图先经过两个深度密集残差模块,再经过激活函数和批归一化层,紧接着特征图经过一个卷积层完成降采样操作;所述第三特征提取阶段的结构和处理过程与第二特征提取阶段相同;

所述第四特征提取阶段后,特征图先经过六个深度密集残差模块处理,然后经过激活函数和批归一化层处理,到达空间偏置编码器,空间偏置编码器输出的特征图经过一个卷积层完成降采样操作;

所述第五特征提取阶段,特征图先经过两个深度密集残差模块,然后经过激活函数和批归一化层处理,再经过一个空间偏置编码器,最后经过全连接层处理得到分类结果;

所述深度密集残差模块,包括五个深度可分离卷积层,五个深度可分离卷积层之间均采用密集连接方式,然后经过激活函数和批归一化层,输出的特征图与深度密集残差模块输入的特征图做残差连接;

所述空间偏置编码器,输入的特征图先是经过一个层归一化,然后进入前馈模块,再进入另一个层归一化,最后到达带有空间偏置的多头注意力模块,带有空间偏置的多头注意力模块的处理过程如下:首先,特征图的二维矩阵将被并行地投影到查询、键和值的向量空间,再到达多头注意力模块,计算查询和键的注意力分数矩阵,然后向多头注意力矩阵添加空间偏置限定,再对注意力分数矩阵的最后一个维度计算软化最大值函数,继续使用上一步获得的注意力权重,对值矩阵中的向量进行加权求和,得到注意力加权的值向量;

将所有头的注意力加权值向量在最后一个维度上进行拼接,形成输出张量;

将拼接后的输出张量通过另一个可学习的线性层,将其映射回模型的输入维度,作为多头注意力层的最终输出。

2.根据权利要求1所述的基于深度密集残差模块的植物叶片病害识别方法,其特征在于,所述第一特征提取阶段,植物叶片图像首先经过两个卷积层实现下采样操作,下采样后的特征图将依次通过非线性激活函数和批归一化处理。

3.根据权利要求2所述的基于深度密集残差模块的植物叶片病害识别方法,其特征在于,所述卷积层带有3×3卷积核、步长为2 ,边缘填充为1。

4.根据权利要求1所述的基于深度密集残差模块的植物叶片病害识别方法,其特征在于,得到注意力加权的值向量的过程用公式表示为:其中,Attention

5.根据权利要求4所述的基于深度密集残差模块的植物叶片病害识别方法,其特征在于,将所有头的注意力加权值向量在最后一个维度上进行拼接,形成输出张量,用公式表示为:其中,Y

6.基于深度密集残差模块的植物叶片病害识别系统,包括图像采集装置和植物叶片病害识别装置,所述植物叶片病害识别装置内设植物叶片病害识别模型,植物叶片病害识别模型包括依次设置的第一特征提取阶段、第二特征提取阶段、第三特征提取阶段、第四特征提取阶段和第五特征提取阶段;其特征在于:所述第二特征提取阶段,特征图先经过两个深度密集残差模块,再经过激活函数和批归一化层,紧接着特征图经过一个卷积层完成降采样操作;所述第三特征提取阶段的结构和处理过程与第二特征提取阶段相同;

所述第四特征提取阶段后,特征图先经过六个深度密集残差模块处理,然后经过激活函数和批归一化层处理,到达空间偏置编码器,空间偏置编码器输出的特征图经过一个卷积层完成降采样操作;

所述第五特征提取阶段,特征图先经过两个深度密集残差模块,然后经过激活函数和批归一化层处理,再经过一个空间偏置编码器,最后经过全连接层处理得到分类结果;

所述深度密集残差模块,包括五个深度可分离卷积层,五个深度可分离卷积层之间均采用密集连接方式,然后经过激活函数和批归一化层,输出的特征图与深度密集残差模块输入的特征图做残差连接;

所述空间偏置编码器,输入的特征图先是经过一个层归一化,然后进入前馈模块,再进入另一个层归一化,最后到达带有空间偏置的多头注意力模块,带有空间偏置的多头注意力模块的处理过程如下:首先,特征图的二维矩阵将被并行地投影到查询、键和值的向量空间,再到达多头注意力模块,计算查询和键的注意力分数矩阵,然后向多头注意力矩阵添加空间偏置限定,再对注意力分数矩阵的最后一个维度计算软化最大值函数,继续使用上一步获得的注意力权重,对值矩阵中的向量进行加权求和,得到注意力加权的值向量;

然后对每个头重复以上步骤,最终将所有头的注意力加权值向量在最后一个维度上进行拼接,形成输出张量;

将拼接后的输出张量通过另一个可学习的线性层,将其映射回模型的输入维度,作为多头注意力层的最终输出。

7.根据权利要求6所述的基于深度密集残差模块的植物叶片病害识别系统,其特征在于,所述第一特征提取阶段,植物叶片图像首先经过两个卷积层实现下采样操作,下采样后的特征图将依次通过非线性激活函数和批归一化处理。

8.一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,其特征在于,该计算机执行指令执行权利要求1-5任意一项所述的基于深度密集残差模块的植物叶片病害识别方法。