CN118710952B 跨层次特征融合的葡萄叶片病害程度分级预测方法及系统 （云南农业大学）

跨层次特征融合的葡萄叶片病害程度分级本发明公开了跨层次特征融合的葡萄叶片明通过将葡萄叶片病害图像输入到DINOV2视觉大模型中得到由浅到深四份形状相同的基础特2将浅层融合特征和深层融合特征输入特征融合模块，得到跨层次融把跨层次融合特征经两层卷积层处理后上采样，得到与输入图步骤S06：统计得到的葡萄叶片分割图中正常叶片区域像素个数和叶片病害区域像素2.根据权利要求1所述的跨层次特征融合的葡萄叶片病害程度分级预测方法，其特征3.根据权利要求1所述的跨层次特征融合的葡萄叶片病害程度分级预测方法，其特征A1：将第39层输出的深层特征分别输入到六个分支中，且六个分支从A2：将第一个分支输出的特征分别与第二到五个分支输出的特征进行逐元素相加操34.根据权利要求1所述的跨层次特征融合的葡萄叶片病害程度分级预测方法，其特征将第39层输出的深层特征输入到注意力细化模块，并与所述深层将第29层输出的深层特征输入到注意力细化模块，并与第39层得到特征行逐元素相5.根据权利要求1所述的跨层次特征融合的葡萄叶片病害程度分级预测方法，其特征将所述浅层融合特征与深层融合特征进行拼接，然后输入到卷6.跨层次特征融合的葡萄叶片病害程度分级预测系统，应用于权利要求1_5任一项所特征提取模块，用于将采集的待预测图像输入预先训练图像分割模块，用于将所述的跨层次融合特分级预测模块，用于统计得到的葡萄叶片分割图中正常处理器执行时实现如权利要求1_5任一项所述的跨层次特征融合的葡萄叶片病害程度分级所述处理器用于执行所述存储器中存放的所述计算机程序时，实现权利要求1_5任一4于农业疾病的识别。[0004]S2.对ResNet_50的池化层进行改进，以改进的金字塔池化替换网络原最大池化[0006]S4.将步骤S2和S3构建的双分支网络提[0009]S7.将待识别的柑橘病害图像输入经5[0017]将训练集数据放入语义分割模型进行训练，冻结DINOV2视觉大模型主干网络参[0019]统计得到的葡萄叶片分割图中正常叶片区域像素个数和计算叶片病害区域像素个数占正常叶片区域像素个数和叶片病害区域像素个数总和的比[0027]综上，根据上述一种跨层次特征融合的葡萄叶片病害程成的泛化能力差的问题，设计一种独特的特征融合方法对上述得到的基础特征进行融合，6将特征图沿着宽高方向分为H×W个一维向量，将所述一维向量输入识别分类器，通过softmax函数将所述一维特征向量映射到不同类别的概率分布上，再通过交叉熵损失函数来最小化模型输出的概率分布与真实标签的概率分布之间的差异，获取概率最高的类别，[0030]将下采样后的特征输入到连续40个多头自注意力机制模块中，取第9层和第19层[0032]将所述第9层输出的浅层特征输入到注意力细化模块，然后将得到特征输入到卷[0040]将第一个分支输出的特征分别与第二到五个分支输出的特征进行逐元素相加操7度特征通过逐元素相加操作进行特征融合得到深层融合特[0051]将上述步骤得到特征输入到注意力细化模块，并与原特加操作进行特征融合得到浅层融合特征，将最深层次特征输入到多尺度特征提取模块中，8[0062]本发明通过将葡萄叶片病害图像输入到DINOV2视觉大模型中得到由浅到深四份[0063]图1为本发明提出的一种跨层次特征融合的葡萄叶片病害程度分级预测方法的流[0064]图2为本发明提出的一种跨层次特征融合的葡萄叶片病害程度分级预测方法中注[0065]图3为本发明提出的一种跨层次特征融合的葡萄叶片病害程度分级预测方法中注[0066]图4为本发明提出的一种跨层次特征融合的葡萄叶片病害程度分级预测方法中特[0067]图5为本发明提出的一种跨层次特征融合的葡萄叶片病害程度分级预测方法中多[0068]图6为本发明提出的一种跨层次特征融合的葡萄叶片病害程度分级预测系统的流9据集作为研究叶片病害鉴定算法的重要资源，通过康奈尔大学和种植园村项目的合作开[0074]步骤S02：将标注好的葡萄病害叶片图像数据按照8:2的比例划分训练集和测试通过softmax函数将所述一维特征向量映射到不同类别的概率分布上，再通过交叉熵损失[0079]其中，i表示特征提取模块中DINOV2大模型主干网络中多头自注意力机制层的层i表示特征提取模块中DINOV2大模型中多头自注意力机制层第i层输出的基础特征，Y表示模型最终输出的分割图，M表示构成模型的各个模块，其中，Mdino表示特征提取模块mfe表示多特征提取模块；练神经网络，从而提取数据中的有用特征，DINOv2的基础模型是VisionTransformer[0083]其中，i表示特征提取模块中DINOV2大模型主干网络中多头自注意力机制层的层i表示特征提取模块中DINOV2大模型中多头自注意力机制层第i层输出的基础特征，Xs[0084]将特征提取模块中DINOV2大模型中多头自注意力机制层第9层输出的浅层特征输[0085]将特征提取模块中DINOV2大模型中多头自注意力机制层第39层输出的浅层特征元素相加操作进行特征融合，然后将得到特征输入到卷积层，将所述特征提取模块中[0090]卷积是指通过滑动一个固定大小的窗口(称为卷积核或滤波器)在输入数据上进[0096]Relu激活函数是一个非线性函数，可以帮助神经网络模型学习复杂的非线性关[0113]本发明提出的多尺度特征提取模块，该模块通过综合利[0123]步骤S06：统计得到的葡萄叶片分割图中正常叶片区域像素个数和叶片病害区域[0125]请参阅图6，所示为本发明第二实施例提出的一种跨层次特征融合的葡萄叶片病[0131]特征提取单元201，用于将待预测的葡萄叶片病害图片输入到DINOV2大模型主干[0135]图像分割模块40，用于将上述得到的跨层次融合特征上采样得到葡萄叶片分割[0137]图像分割模块单元401，用于将上述得到的跨层次融合特征上采样得到葡萄叶片[0140]分级预测模块单元501，用于统计得到的葡萄叶片分割图中正常叶片区域像素个处理器执行时实现上述的一种跨层次特征融合的葡萄叶片病害程度分述的一种跨层次特征融合的葡萄叶片病害程度[0143]本领域技术人员可以理解，在流程图中表示或在此以其他