CN119445465A 一种基于深度学习的小麦病害检测方法 （河南省农业科学院农业信息技术研究所）

于深度学习的图像处理技术对待检测小麦图像Transformer架构对小麦前景浅层特征和深层特2对所述待检测小麦图像进行前景目标多层次特征提取以得到小麦前景浅层特征图和对所述小麦前景浅层特征图和所述小麦前景深层特征图分别进行全局上下文交互以得到小麦前景浅层细粒度全局交互特征图和小麦前景深层细粒度全局对所述小麦前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特测小麦图像进行前景目标多层次特征提取以得到小麦前景浅层特征图和小麦前景深层特提取所述待检测小麦前景部分图像的前景区域以得到待检测小麦前将所述待检测小麦前景部分图像输入基于空洞金字塔网络的小麦多尺度图像特征提取器以得到所述小麦前景浅层特征图和所述小麦前将所述待检测小麦图像输入基于Yolo网络的前景目标检测模块以得到所述待检测小前景浅层特征图和所述小麦前景深层特征图分别进行全局上下文交互以得到小麦前景浅将所述小麦前景浅层特征图和所述小麦前景深层特征图分别输入基于Transformer结构的细粒度全局交互模块以得到所述小麦前景浅层细粒度全局交互特征图和所述小麦前前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特征图进行细粒度将所述小麦前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特征图输入基于细对所述小麦前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特征图进行特征细粒度解构以得到小麦前景浅层通道维度局部特征矩阵的集合和小麦前景分别以所述小麦前景浅层通道维度局部特征矩阵的集合中的各个小麦前景浅层通道3器结构的单向全域注意力交互模块以得到单向全域注意力优化小麦前景浅层通道维度局分别以所述小麦前景深层通道维度局部特征矩阵的集合中的各个小麦前景深层通道器结构的单向全域注意力交互模块以得到单向全域注意力优化小麦前景深层通道维度局对所述单向全域注意力优化小麦前景浅层通道维度局部特征矩阵的集合和所述单向全域注意力优化小麦前景深层通道维度局部特征矩阵的集合分别进行沿通道维度的特征耦合以得到单向全域交互优化小麦前景浅层特征图和单向全域交互优化小麦前景深层特计算所述单向全域交互优化小麦前景浅层特征图和所述单向全域交互优化小麦前景小麦前景浅层通道维度局部特征矩阵的集合中的各个小麦前景浅层通道维度局部特征矩域注意力交互模块以得到单向全域注意力优化小麦前景浅层通道维度局部特征矩阵的集分别计算所述查询特征矩阵与所述键特征矩阵的集合中的各个键特征矩阵的转置矩阵的矩阵乘积，再将所述矩阵乘积除以所述键特征矩阵的尺度的平方根后通过softmax函将所述注意力权重矩阵的集合中的各个注意力权重矩阵与所述查询特征矩阵分别进将所述小麦前景浅层一深层细粒度交互显著融合特征图输入基于分类前景浅层深层细粒度交互显著融合特征图输入基于分类器的病害检测模块以得到检测结将所述小麦前景浅层一深层细粒度交互显著融合特征图按照行向量使用所述基于分类器的病害检测模块的全连接层对所述分类特征向量进行全连接编4将所述编码分类特征向量输入所述基于分类器的病害检测模块的Softmax分类函数以5[0001]本申请涉及小麦病害检测领域，具体涉及一种基于深度学习的小麦病害检测方[0002]小麦作为世界上三大主要粮食作物之一，在我国农业生产中占有举足轻重的地[0004]公开号为CN108021894A的发明专利提出了一种基于深度策略学习的小麦病害检图像检测模型，使其学习在给定状态下采取哪些动[0009]对所述待检测小麦图像进行前景目标多层次特征提取以得到小麦前景浅层特征[0010]对所述小麦前景浅层特征图和所述小麦前景深层特征图分别进行全局上下文交互以得到小麦前景浅层细粒度全局交互特征图和小麦前景深层细[0011]对所述小麦前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交6检测小麦图像进行前景目标多层次特征提取以得到小麦前景浅层特征图和小麦前景深层[0015]将所述待检测小麦前景部分图像输入基于空洞金字塔网络的小麦多尺度图像特征提取器以得到所述小麦前景浅层特征图和所述小麦前景[0017]将所述待检测小麦图像输入基于Yolo网络的前景目标检测模块以得到所述待检麦前景浅层特征图和所述小麦前景深层特征图分别进行全局上下文交互以得到小麦前景Transformer结构的细粒度全局交互模块以得到所述小麦前景浅层细粒度全局交互特征图麦前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特征图进行细粒[0021]将所述小麦前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交麦前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特征图输入基于[0023]对所述小麦前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特征图进行特征细粒度解构以得到小麦前景浅层通道维度局部特征矩阵的集合和小麦[0024]分别以所述小麦前景浅层通道维度局部特征矩阵的集合中的各个小麦前景浅层转换器结构的单向全域注意力交互模块以得到单向全域注意力优化小麦前景浅层通道维[0025]分别以所述小麦前景深层通道维度局部特征矩阵的集合中的各个小麦前景深层转换器结构的单向全域注意力交互模块以得到单向全域注意力优化小麦前景深层通道维[0026]对所述单向全域注意力优化小麦前景浅层通道维度局部特征矩阵的集合和所述7单向全域注意力优化小麦前景深层通道维度局部特征矩阵的集合分别进行沿通道维度的特征耦合以得到单向全域交互优化小麦前景浅层特征图和单向全域交互优化小麦前景深[0027]计算所述单向全域交互优化小麦前景浅层特征图和所述单向全域交互优化小麦述小麦前景浅层通道维度局部特征矩阵的集合中的各个小麦前景浅层通道维度局部特征全域注意力交互模块以得到单向全域注意力优化小麦前景浅层通道维度局部特征矩阵的[0029]分别计算所述查询特征矩阵与所述键特征矩阵的集合中的各个键特征矩阵的转置矩阵的矩阵乘积，再将所述矩阵乘积除以所述键特征矩阵的尺度的平方根后通过[0030]将所述注意力权重矩阵的集合中的各个注意力权重矩阵与所述查询特征矩阵分麦前景浅层深层细粒度交互显著融合特征图输入基于分类器的病害检测模块以得到检测[0035]使用所述基于分类器的病害检测模块的全连接层对所述分类特征向量进行全连[0036]将所述编码分类特征向量输入所述基于分类器的病害检测模块的Softmax分类函浅层特征和深层特征，并使用Transformer架构对小麦前景浅层特征和深层特征分别进行8[0039]图1示出了本申请实施例中基于深度学习的小麦病害检测方法的应用架构示意[0041]图3示出了本申请实施例中基于深度学习的小麦病害检测方法的子步骤S520的流[0042]图4示出了本申请实施例中基于深度学习的小麦病害检测方法的子步骤S540的流[0043]图5示出了本申请实施例中基于深度学习的小麦病害检测系统的结构示意图；以及[0046]本说明书中使用的术语是考虑到关于本申请的功能而在本领域中当前广泛使用[0047]虽然本申请对根据本申请的实施例的系统中的某些模块任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性[0049]图1示出了本申请实施例中基于深度学习的小麦病害检测方法的应用架构示意络，包括但不限于局域网(LocalAreaNetwork，LAN)、城域网(MetropolitanArea虚拟专用网络的任何组合。在一些实施例中，使用包括超文本标记语言(HyperText9和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(SecureSocketLayer，SSL)、传输层安全(TransportLayerSecurity，TLS)、虚拟专用网络请实施例中基于深度学习的小麦病害检测方[0053]处理器110通过调用存储器120存储的程序指令，处理器110用于按照获得的程序指令执行本申请实施例中任一种基于深度学习的小麦[0055]下面通过几个示例或实施例对根据本申请至少一个实施例提供的基于深度学习麦前景浅层特征图和所述小麦前景深层特征图分别进行全局上下文交互以得到小麦前景景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特征图进行细粒度联后，考虑到摄像头采集的所述待检测小麦图像中通常还包含无关的背景噪声和非目标区获得待检测小麦前景部分图像，从而使得后续的病害检测能够聚焦于小麦前景目标区域，前景部分图像输入基于空洞金字塔网络的小麦多尺度图像特征提取器以得到所述小麦前间的关联对于提高检测准确性至关重要，而卷积神经网络在处理局部特征方面具有优势，细粒度全局交互模块对所述小麦前景浅层特征图和所述小麦前景深层特征图分别进行处分别进行全局上下文交互以得到小麦前景浅层细粒度全局交互特征图和小麦前景深层细输入基于Transformer结构的细粒度全局交互模块以得到所述小麦前景浅层细粒度全局交力联合感知模块对所述小麦前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特征图之间的全局层细粒度全局交互特征图输入基于细粒度解构的双向全域注意力联合感知模块以得到所深层细粒度全局交互特征图输入基于细粒度解构的双向全域注意力联合感知模块以得到粒度全局交互特征图和所述小麦前景深层细粒度全局交互特征图进行特征细粒度解构以得到小麦前景浅层通道维度局部特征矩阵的集合和小麦前景深层通道维度局部特征矩阵第一转换器结构的单向全域注意力交互模块以得到单向全域注意力优化小麦前景浅层通矩阵的集合输入基于第二转换器结构的单向全域注意力交互模块以得到单向全域注意力前景浅层通道维度局部特征矩阵的集合和所述单向全域注意力优化小麦前景深层通道维度局部特征矩阵的集合分别进行沿通道维度的特征耦合以得到单向全域交互优化小麦前化小麦前景浅层特征图和所述单向全域交互优化小麦前景深层特征图之间的按位置加权集合输入基于第一转换器结构的单向全域注意力交互模块以得到单向全域注意力优化小特征矩阵的尺度的平方根后通过softmax函数以得到注意力权重矩阵的集合；将所述注意结果进行按位置点加求和以得到所述单向全域注意力优化小麦前景浅层通道维度局部特细粒度全局交互特征图输入基于细粒度解构的双向全域注意力联合感知模块以得到所述小麦前景浅层细粒度全局交互特征图和所述小麦前景深层细粒度全局交互特征图进行处M222n分别表示所述小麦前景深层细粒度全局交互特征图沿通道维度的第一个、第二域注意力优化小麦前景深层通道维度局部特征矩阵，Aggregate{·}表示特征聚合处理，前景浅层深层细粒度交互显著融合特征图按照行向量或者列向量展开为分类特征向量；使用所述基于分类器的病害检测模块的全连接层对所述分类特征向量进行全连接编码以麦前景浅层深层细粒度交互显著融合和调制值，β为第二小麦前景浅层深层细粒度交互粒度全局交互特征图分别表示待检测小麦前景部分图像的图像浅层像素粒度语义关联特布差异也会具有局部空间分布解构的全局注意力差异性，因此期望提升所述小麦前景浅层深层细粒度交互显著融合特征图的基于局部全局双向图像语义特征空间分布差异性前景浅层深层细粒度交互显著融合特征图的表达效果，提升将其输入基于分类器的病害测小麦图像进行前景目标多层次特征提取以得到小麦前景浅层特征图和小麦前景深层特图分别进行全局上下文交互以得到小麦前景浅层细粒度全局交互特征图和小麦前景深层互特征图和所述小麦前景深层细粒度全局交互特征图进行细粒度联合感知以得到小麦前各个模块的具体功能和操作已经在上面参考图2到图4的基于深度学习的小麦病害检测方[0089]图6为根据本申请实施例的基于深度学习的小麦病害检测方法的应用场景图。如检测算法对所述待检测小麦图像进行处理以得到用于表示是否存在病害的处理器即为服务器100中的处理器110，该电子设备中的存储器即为服务器100中的存储器介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存