1.基于双向深度瓶颈模块的植物叶片病害识别方法,其特征在于,将植物叶片图像输入浅层特征提取模块进行浅层特征提取,得到浅层特征;将浅层特征输入深层特征提取模块进行深层特征提取,得到深层特征;将深层特征输入全连接层;最后由全连接层处理得到分类结果;
所述浅层特征提取模块由依次连接的第一降采样模块、第一双向深度瓶颈模块、第二降采样模块、第二双向深度瓶颈模块和第三降采样模块组成;
所述深层特征提取模块由依次连接的第三双向深度瓶颈模块、第一多路并行卷积编码器、第四降采样模块、第四双向深度瓶颈模块和第二多路并行卷积编码器组成;
第一多路并行卷积编码器和第二多路并行卷积编码器结构相同,第一多路并行卷积编码器由卷积模块和编码器模块组成,输入第一多路并行卷积编码器的特征分别经过卷积模块和编码器模块处理,将卷积模块和编码器模块输出的特征进行融合,得到第一多路并行卷积编码器的输出;
第一双向深度瓶颈模块、第二双向深度瓶颈模块和第三双向深度瓶颈模块结构相同,所述第一双向深度瓶颈模块由瓶颈残差模块和反向瓶颈残差模块组成,输入第一双向深度瓶颈模块的特征分别经过瓶颈残差模块和反向瓶颈残差模块处理,将瓶颈残差模块和反向瓶颈残差模块输出的特征进行融合,融合后的特征依次经过第五卷积层、批归一化层和激活函数处理,得到第一双向深度瓶颈模块的输出;
所述瓶颈残差模块的主支路包括依次连接的第一DW卷积层、第二卷积层、第二DW卷积层、批归一化层、激活函数和SE模块,瓶颈残差模块的主支路输出的特征与瓶颈残差模块的主支路的输入通过残差连接进行叠加;反向瓶颈残差模块的主支路包括依次连接的第三卷积层、第三DW卷积层、第四卷积层、批归一化层、激活函数和SE模块;反向瓶颈残差模块的主支路输出的特征与反向瓶颈残差模块的输入通过残差连接进行叠加。
2.根据权利要求1所述的基于双向深度瓶颈模块的植物叶片病害识别方法,其特征在于,所述卷积模块包括四条支路,第一条支路为第二条支路的残差连接,第四条支路为第三条支路的残差连接;第二条支路和第三条支路结构相同,第二条支路依次由第六卷积层、第七卷积层、第八卷积层、批归一化层和激活函数连接而成,第一条支路和第二条支路输出的特征叠加得到第一融合特征,第三条支路和第四条支路输出的特征叠加得到第二融合特征;将第一融合特征和第二融合特征相乘得到第三融合特征,然后第三融合特征依次经过第九卷积层、批归一化层和激活函数处理,得到卷积模块的输出。
3.根据权利要求2所述的基于双向深度瓶颈模块的植物叶片病害识别方法,其特征在于,所述编码器模块由依次连接的第一前馈模块、多头注意力模块和第二前馈模块组成,第一前馈模块、多头注意力模块和第二前馈模块分别设有残差连接。
4.根据权利要求3所述的基于双向深度瓶颈模块的植物叶片病害识别方法,其特征在于,所述第一前馈模块由依次连接的第一线性层、第一随机失活层、第二线性层和第二随机失活层组成,第一线性层和第二线性层后分别设置激活函数。
5.根据权利要求3所述的基于双向深度瓶颈模块的植物叶片病害识别方法,其特征在于,多头注意力模块的处理过程如下:
输入多头注意力模块的特征经层归一化得到二维矩阵,二维矩阵将被并行地投影到查询、键和值的向量空间,再通过多头注意力机制计算查询和键的注意力分数矩阵,然后将位置偏置矩阵加到查询和键的注意力分数矩阵中,再对查询和键的注意力分数矩阵的最后一个注意力权重所在的维度计算软最大值函数,继续使用注意力权重,对值矩阵中的向量空间进行加权求和,得到注意力加权的值向量;将所有注意力加权的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第三线性层进行处理。
6.根据权利要求1所述的基于双向深度瓶颈模块的植物叶片病害识别方法,其特征在于,所述第一降采样模块由两组降采样模块组成,每组降采样模块由依次连接的第一卷积层、批归一化层和激活函数组成。
7.基于双向深度瓶颈模块的植物叶片病害识别系统,其特征在于,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,所述植物叶片病害识别模型执行权利要求1-6任意一项所述的基于双向深度瓶颈模块的植物叶片病害识别方法。
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1-6任意一项所述的基于双向深度瓶颈模块的植物叶片病害识别方法。