1.一种基于图像识别的农作物病虫害识别方法,其特征在于:包括,
采集农田图像,识别图像中的病虫害区域并进行定位,对图像中的低分辨率区域进行超分辨率复原;
通过ViT模型提取图像的局部特征并通过DMSAU-Net捕捉图像中病虫害的多尺度特征,根据提取的病虫害特征识别病虫害的类型;
根据分类结果生成实时病虫害诊断报告并存储识别中产生的数据;
所述通过ViT模型提取图像的局部特征并通过DMSAU-Net捕捉图像中病虫害的多尺度特征指将病虫害图像划分为固定大小的图像块,并对每个图像块进行线性嵌入,转化为一维特征向量;
使用自注意力机制计算每个图形块之间的特征关联性:
,
式中,和是第h个注意力头的查询矩阵和键矩阵,V是值矩阵,是Hamming窗口函数,是缩放因子,H是多头的数量,T是转置操作;
将自注意力机制的输出经过多层堆叠,重复执行自注意力机制的计算并通过堆叠多层Transformer结构将局部信息传递到全局得到全局特征,使用DMSAU-Net通过膨胀卷积处理图像的多尺度特征:,
式中,是膨胀卷积的输出特征值,是输入特征值,是膨胀率,是第s个尺度下的第k个卷积核权重,是Bessel函数,K是卷积核的大小,S是多尺度卷积的数量;
将不同膨胀率下提取的特征进行融合,形成多尺度的特征表示得到对应的区域特征图;
通过空间注意力机制进一步增强对病虫害区域的关注度:
,
式中,是空间注意力权重,是Sigmoid激活函数,对输入特征图F进行卷积操作的结果,指将Laplacian算子应用于特征图F,是高斯核函数,是特征图F的L2范数;
根据计算得出的空间注意力权重对不同特征进行加权,将经过多尺度卷积处理并增加了空间注意力权重的特征作为最终的特征表示输出并生成特征集。
2.如权利要求1所述的基于图像识别的农作物病虫害识别方法,其特征在于:所述采集农田图像,识别图像中的病虫害区域并进行定位指使用自动航线规划软件设定无人机飞行路径,无人机根据预设的航线自动飞行,沿途采集农作物的图像数据,对采集到的图像数据进行预处理后通过卷积神经网络模型提取图像中的病虫害的区域特征,将提取的特征图输入到YOLOv4目标检测模型中生成病虫害区域的边界框。
3.如权利要求2所述的基于图像识别的农作物病虫害识别方法,其特征在于:所述对图像中的低分辨率区域进行超分辨率复原指对通过初步定位的病虫害区域进一步进行分析,使用Sobel算子分别计算图像水平方向和垂直方向的梯度,通过梯度计算得到每个像素的梯度值后计算每个像素的梯度模值;
设定阈值T,若像素的梯度模值低于阈值T,则该像素区域为低分辨率区域;
标记低分辨率区域的图像并对图像进行归一化处理后将图像输入SAGAN生成器中,通过卷积层提取低分辨率图像的局部特征并对提取的特征进行线性变换,分别生成查询矩阵、键矩阵和值矩阵,每个像素点的特征通过不同的权重矩阵转换为查询向量、键向量和值向量;
使用点积计算查询向量和键向量之间的相似性,生成相似性矩阵,表示每个像素和其他像素之间的相似度,使用Softmax函数对相似性矩阵进行归一化处理,生成最终的注意力权重矩阵;
通过注意力权重矩阵,SAGAN生成器将每个像素的全局信息和局部信息结合形成了全局特征矩阵;
构建残差块结构包括两层卷积层,并在每层卷积层后添加ReLU激活函数,将生成的全局特征矩阵作为残差网络的初始输入并进行两次卷积操作得到特征图Y,通过跳跃连接将输入的特征与特征图Y进行相加得到特征图Y1,将得到的特征图传递至下一层的残差块进行更深层次的卷积和特征提取,在经过多层残差块堆叠后得到高分辨率的特征图;
收集农作物病虫害区域的高分辨率图像作为真实图像,将真实图像和生成的高分辨率的特征图传输至判别器进行分析得到对应的真实性概率,根据判别器对真实图像和生成图像的输出计算对抗损失函数;
将对抗损失的计算结果作为反馈传递给生成器,生成器根据反馈信息调整参数对生成图像进行优化后进一步通过感知损失进行细节优化,感知损失通过VGG19网络提取生成图像和真实图像的中间层特征,计算图像差异;
将感知损失的计算结果作为反馈传递给生成器,生成器根据反馈信息进一步优化生成的图像细节后得到最终的高分辨率病虫害图像。
4.如权利要求3所述的基于图像识别的农作物病虫害识别方法,其特征在于:所述根据提取的病虫害特征识别病虫害的类型指选择SVM作为分类模型,将预处理后的图像数据分为训练集和测试集,使用带有标签的训练数据集训练SVM模型,通过交叉验证和网格搜索优化SVM模型参数,每个训练周期结束后,使用测试集评估模型性能,若训练周期结束后,验证差异没有明显变化,则停止模型训练获取训练好的SVM模型,将特征集输入到SVM模型中进行分类得到病虫害的类型。
5.如权利要求4所述的基于图像识别的农作物病虫害识别方法,其特征在于:所述根据分类结果生成实时病虫害诊断报告指根据识别出的病虫害类型,通过与病虫害数据库进行对比,生成受影响的农作物范围,基于分类结果和作物信息,生成包含病害类型、病害严重尺度、受影响作物以及病害影响范围的病虫害诊断报告,根据诊断报告中的病虫害类型和严重程度生成对应的防治措施。
6.如权利要求5所述的基于图像识别的农作物病虫害识别方法,其特征在于:所述存储识别中产生的数据指将收集和分析产生的图像数据存储至数据库中,数据库将图像数据按照时间顺序进行排序,并标记对应的标签,同步将图像数据进行云端备份,定期对备份数据进行完整性检测。
7.一种基于权利要求1-6任一所述的基于图像识别的农作物病虫害识别方法的基于图像识别的农作物病虫害识别系统,其特征在于:包括,图像分析模块,用于采集农田图像并对图像进行预处理后对图像进行分析,识别并定位农田的病虫害区域;
图像复原模块,用于检测低分辨率的图像区域并对图像进行复原生成高分辨率的图像;
特征提取模块,用于提取图像的局部特征后通过膨胀卷积处理图像中的多尺度特征,结合空间注意力机制增强病虫害区域的特征表示;
分类模块,用于基于提取的特征并通过SVM模型对农田的病虫害进行分类;
报告生成模块,用于根据分类结果生成病虫害报告并提供防治建议后将病虫害识别过程中产生的数据进行存储。
8.一种计算机设备,包括:存储器和处理器;所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于图像识别的农作物病虫害识别方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于图像识别的农作物病虫害识别方法的步骤。