1.一种玉米叶片病害目标的自动检测方法,其特征在于,包括以下步骤:获取原始玉米叶片图像;
提取图像的并行特征,分别捕捉全局结构特征和局部纹理特征;
将全局结构特征和局部纹理特征融合并进行编码,得到融合后的序列;
利用Transformer编码器对融合后的序列进行编码;
引入目标查询并进行解码预测;
将预测结果与真实标注进行匹配,优化每个查询的分配,保留匹配置信度最高的检测结果,并输出图像中的所有病斑区域的边界框与对应分类;
其中,所述引入目标查询并进行解码预测的步骤,具体为:
采用基于目标查询的无锚点检测策略,定义固定数量的learnable object queries,每个为一组向量,代表一个待检测目标的语义查询,输入至Transformer解码器,与编码器输出的融合token特征序列进行交互,逐步生成对图像中潜在目标的表征;
每个目标查询经Transformer解码器处理后,进入两个分支解码头:一个采用 sigmoid函数归一化输出的四维坐标,用于边界框回归;另一个采用 softmax 激活输出多类病斑及背景类别概率,用于病害分类。
2.根据权利要求1所述的玉米叶片病害目标的自动检测方法,其特征在于,所述提取图像的并行特征,分别捕捉全局结构特征和局部纹理特征的步骤,具体为:采用快速离散Curvelet变换从原始玉米叶片图像中提取多尺度、多方向的曲率结构信息,获得Curvelet token;
将原始玉米叶片图像划分为固定尺寸的图像块,对于每个图像块,采用轻量级卷积神经网络对其进行局部特征提取,投影为一个定长向量,得到Patch token,同时每个Patchtoken均与其在全图中的二维坐标位置进行编码。
3.根据权利要求2所述的玉米叶片病害目标的自动检测方法,其特征在于,所述快速离散Curvelet变换为3层尺度分解结构,分别为粗尺度、中尺度和细尺度,其中,粗尺度分解提供全局结构的低频信息,并划分为4个主方向;中尺度划分为8个方向,捕捉到中层次的弯曲特征;细尺度提供高频边缘与微小结构信息,被划分为16个方向。
4.根据权利要求2所述的玉米叶片病害目标的自动检测方法,其特征在于,所述将全局结构特征和局部纹理特征融合并进行编码,得到融合后的序列的步骤,具体为:对Curvelet token与Patch token分别使用不同的线性投影层进行标准化处理,进行统一维度的线性映射;
采用token层级的串联方式,将所有Curvelet token排在Patch token前面,形成完整的token序列作为Transformer编码器的输入。
5.根据权利要求4所述的玉米叶片病害目标的自动检测方法,其特征在于,所述将预测结果与真实标注进行匹配,优化每个查询的分配,保留匹配置信度最高的检测结果,并输出图像中的所有病斑区域的边界框与对应分类的步骤,具体为:引入匈牙利算法进行bipartite匹配,将每个目标查询输出的预测框与ground truth进行一一匹配,构造最小代价分配方案;
损失函数为:
;
其中,为焦点损失;为边界框位置的L1回归损失;为广义 IoU损失;、、分别为三项损失的权重超参数,用于在训练过程中动态平衡分类与定位任务。