本發(fā)明涉及作物葉病識別，特別是涉及一種基于風(fēng)格和多尺度特征提取的新型大田作物葉病識別系統(tǒng)。

背景技術(shù)：

1、隨著全球人口的不斷增長和農(nóng)業(yè)生產(chǎn)的不斷發(fā)展，作物病害的及時識別和預(yù)防變得愈發(fā)重要。病蟲害不僅會降低作物的產(chǎn)量和質(zhì)量，同時也會對人類健康和生態(tài)環(huán)境產(chǎn)生影響。在病害發(fā)生早期進(jìn)行防治可以挽回部分農(nóng)業(yè)經(jīng)濟(jì)損失，提高食品安全并促進(jìn)農(nóng)業(yè)生產(chǎn)。作物病害癥狀通常首先出現(xiàn)在葉子上，通過觀察葉子特征可以有效地確定感染作物的疾病類型，準(zhǔn)確、快速地識別農(nóng)作物病害類型對于及時采取救災(zāi)措施、減少產(chǎn)量和品質(zhì)損失至關(guān)重要。

2、針對作物病害的研究主要集中在檢測、識別和分類，需要準(zhǔn)確捕捉病害特征，與其他類型病害進(jìn)行比較并分類。傳統(tǒng)的機(jī)器學(xué)習(xí)方法通常使用圖像處理技術(shù)和分類器來識別植物病害。田等人在2016年提出了一種基于斑點(diǎn)特征的茄子褐條病識別方法，利用hsi顏色空間的h分量提取斑點(diǎn)區(qū)域的特征參數(shù)，并選擇特征參數(shù)形成分類特征向量，使用fischer判別函數(shù)分類取得了較好的實(shí)驗(yàn)效果。此外，廣泛使用的機(jī)器學(xué)習(xí)方法有貝葉斯模型（bm）、k近鄰（knn）、支持向量機(jī)（svm）、決策樹（dt）、隨機(jī)森林樹（rf）等。機(jī)器學(xué)習(xí)在植物病蟲害識別領(lǐng)域取得了重大進(jìn)展。然而，手動設(shè)計(jì)的特征需要昂貴的資源條件和專業(yè)知識，并且容易受到主觀性的影響。此外，當(dāng)病害種類繁多且部分癥狀相似時，這些方法無法滿足現(xiàn)代農(nóng)業(yè)對作物病害準(zhǔn)確識別的需求。

3、在近十年來，隨著機(jī)器學(xué)習(xí)的不斷發(fā)展和進(jìn)步，特別是深度學(xué)習(xí)技術(shù)的進(jìn)步，作物葉片病害識別的準(zhǔn)確率不斷提高，為更高效、更實(shí)時的病害檢測鋪平了道路。蘭加拉詹等人利用alexnet和vgg16的微調(diào)和遷移學(xué)習(xí)策略提出了兩種快速收斂模型，在plantvillage的番茄數(shù)據(jù)集上獲得了97.29%和97.49%的識別率。多格拉等人利用兩階段微調(diào)和遷移學(xué)習(xí)提出了cnn-vgg19，對水稻葉部褐斑類病害的識別準(zhǔn)確率達(dá)到了93.0%。reddy、varma和davuluri提出使用resnet50提取植物葉子圖像的顏色和紋理特征，然后采用基于mrdoa的生物優(yōu)化方法來選擇最佳特征并設(shè)計(jì)一個簡單的分類卷積神經(jīng)網(wǎng)絡(luò)?dlcnn，用于對plantvillage和水稻數(shù)據(jù)集中選定的植物葉病特征進(jìn)行分類，分類準(zhǔn)確率分別為99.73%和99.68%。thakur提出visiontransformer與cnn相結(jié)合的輕量級混合模型，在plantvillage數(shù)據(jù)集上達(dá)到了98.86%的準(zhǔn)確率和98.9%的精確度。sunil使用具有自適應(yīng)通道空間和像素注意力機(jī)制的多級特征融合進(jìn)行番茄植物病害分類，實(shí)現(xiàn)了99.88%的訓(xùn)練準(zhǔn)確率、99.88%的驗(yàn)證準(zhǔn)確率和99.83%的外部測試準(zhǔn)確率。上述研究證明了深度學(xué)習(xí)在農(nóng)作物葉部病害識別中的可行性，但主要集中在單一背景的病害鑒定場景中，不適用于具有復(fù)雜背景干擾的田間環(huán)境中的葉片病害識別。

4、深度學(xué)習(xí)模型具有優(yōu)異的算法性能和直接從圖像中獲取深度特征的能力，其在農(nóng)作物病害識別中也表現(xiàn)出良好的適用性。高等人提出了蘋果葉病識別模型(bam-net)，利用聚合坐標(biāo)注意力機(jī)制增強(qiáng)網(wǎng)絡(luò)對疾病特征的關(guān)注，引入多尺度特征細(xì)化模塊提高網(wǎng)絡(luò)區(qū)分相似疾病特征的能力，在測試集上達(dá)到了95.64%的準(zhǔn)確率。李等人基于convnext，提出辣椒葉片病害分類和識別模型mccm，其中多尺度特征融合模塊（msffm）來捕捉圖像中各種大小和位置的疾病特征，混合通道空間注意力機(jī)制（mcsam）加強(qiáng)非局部通道與空間特征之間的相關(guān)性，增強(qiáng)了模型對辣椒葉病基本特征的提取。在測試集準(zhǔn)確率達(dá)到93.5%。胡等人提出一種高相似度玉米葉病識別輕量級模型lfmnet，根據(jù)原始ppa上輸入特征圖的大小，替換自適應(yīng)池核并重新塑造了卷積層。取代了不同的池化核，基于gmdc獲得不同尺度的特征，并生成特征加權(quán)矩陣，以增強(qiáng)復(fù)雜背景下玉米葉片的特征提取，在測試數(shù)據(jù)集上的準(zhǔn)確率達(dá)到94.12%。dai提出了一種新的dfn-psan模型，包含多層次深度信息特征融合網(wǎng)絡(luò)（dfn）可以有效地從不同網(wǎng)絡(luò)層提取和融合相關(guān)特征，提高感染植物病害區(qū)域的定位，使用pyramidsqueeze?attention（psa）融合不同尺度的上下文信息，并產(chǎn)生更好的像素級注意力，并使用t-sne和shap方法分別在特征聚類和多類別疾病注意力的判別方面提高了模型的透明度。上述研究表明，在不斷變化的自然環(huán)境中，精確識別病害特征仍然是懸而未解的問題。

5、受上述研究啟發(fā)并進(jìn)行一系列實(shí)驗(yàn)探索，本研究針對以下關(guān)鍵問題進(jìn)行研究：（1）實(shí)際農(nóng)田環(huán)境中，強(qiáng)光導(dǎo)致圖片局部顏色過亮或反光，使得紋理和顏色特征難以辨識，而弱光則導(dǎo)致圖像不清晰細(xì)節(jié)丟失；（2）在高顏色復(fù)雜度和高結(jié)構(gòu)復(fù)雜度背景下，會引入較多與病斑類似的紋理或顏色，增加模型的識別難度；（3）病斑形狀不規(guī)則邊界復(fù)雜且大小病斑共存時，模型多尺度特征提取能力不足。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于風(fēng)格和多尺度特征提取的新型大田作物葉病識別系統(tǒng)，本發(fā)明解決了現(xiàn)有技術(shù)中大田作物葉病識別準(zhǔn)確度不足的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種基于風(fēng)格和多尺度特征提取的新型大田作物葉病識別系統(tǒng)，包括：

4、圖像采集模塊，用于在田間環(huán)境下獲取大田作物葉片的原始圖像；

5、數(shù)據(jù)預(yù)處理模塊，與所述圖像采集模塊連接，用于對所述原始圖像進(jìn)行尺寸歸一化、光照增強(qiáng)及噪聲抑制處理，輸出預(yù)處理圖像；

6、風(fēng)格重校準(zhǔn)模塊srmb，與所述數(shù)據(jù)預(yù)處理模塊連接，用于對所述預(yù)處理圖像進(jìn)行特征提取和校準(zhǔn)，得到第二特征圖；

7、多尺度特征融合模塊emsf，與所述風(fēng)格重校準(zhǔn)模塊srmb連接，用于對所述第二特征圖進(jìn)行特征增強(qiáng)，得到增強(qiáng)特征圖；

8、分類輸出模塊，與所述多尺度特征融合模塊emsf連接，用于對所述增強(qiáng)特征圖進(jìn)行全局平均池化、全連接映射及softmax處理，輸出目標(biāo)葉片的病害類別數(shù)據(jù)。

9、優(yōu)選地，所述風(fēng)格重校準(zhǔn)模塊srmb包括：

10、第一提取子模塊，用于通過深度可分離卷積提取第一特征圖；

11、風(fēng)格向量子模塊，用于采用風(fēng)格池化分別計(jì)算所述第一特征圖各通道的均值與標(biāo)準(zhǔn)差以形成風(fēng)格向量；

12、風(fēng)格權(quán)重計(jì)算子模塊，用于將風(fēng)格向量輸入通道全連接層、批量歸一化層及sigmoid激活函數(shù)，得到通道級風(fēng)格權(quán)重；

13、第二提取子模塊，用于利用所述通道級風(fēng)格權(quán)重對第一特征圖進(jìn)行加權(quán)，生成經(jīng)風(fēng)格重校準(zhǔn)的第二特征圖。

14、優(yōu)選地，所述多尺度特征融合模塊emsf包括：

15、第三提取子模塊，用于對所述第二特征圖的每一子特征組分別通過兩條1×1卷積分支和一條3×3卷積分支提取分組特征，得到第一卷積結(jié)果和第二卷積結(jié)果；

16、卷積處理子模塊，用于對所述第一卷積結(jié)果進(jìn)行乘法聚合并對所述第二卷積結(jié)果進(jìn)行上下文擴(kuò)張，得到第一處理結(jié)果和第二處理結(jié)果；

17、拼接子模塊，用于對所述第一處理結(jié)果和第二處理結(jié)果進(jìn)行聚合和拼接，得到增強(qiáng)特征圖。

18、本發(fā)明公開了以下技術(shù)效果：

19、本發(fā)明提供了一種基于風(fēng)格和多尺度特征提取的新型大田作物葉病識別系統(tǒng)，包括：圖像采集模塊，用于在田間環(huán)境下獲取大田作物葉片的原始圖像；數(shù)據(jù)預(yù)處理模塊，與所述圖像采集模塊連接，用于對所述原始圖像進(jìn)行尺寸歸一化、光照增強(qiáng)及噪聲抑制處理，輸出預(yù)處理圖像；風(fēng)格重校準(zhǔn)模塊srmb，與所述數(shù)據(jù)預(yù)處理模塊連接，用于對所述預(yù)處理圖像進(jìn)行特征提取和校準(zhǔn)，得到第二特征圖；多尺度特征融合模塊emsf，與所述風(fēng)格重校準(zhǔn)模塊srmb連接，用于對所述第二特征圖進(jìn)行特征增強(qiáng)，得到增強(qiáng)特征圖；分類輸出模塊，與所述多尺度特征融合模塊emsf連接，用于對所述增強(qiáng)特征圖進(jìn)行全局平均池化、全連接映射及softmax處理，輸出目標(biāo)葉片的病害類別數(shù)據(jù)。本發(fā)明引入風(fēng)格池化通過均值和標(biāo)準(zhǔn)差分別映射整體強(qiáng)度信息和色調(diào)、亮度、對比度等風(fēng)格變化，接著利用風(fēng)格特征重新校準(zhǔn)通道權(quán)重，對輸入特征圖的每個通道進(jìn)行重新加權(quán)，抑制背景信息并擴(kuò)展對小目標(biāo)病斑的表征；通過多分支分組并行處理不同尺度的特征、動態(tài)捕捉并融合葉片全局與局部信息，強(qiáng)化網(wǎng)絡(luò)關(guān)注病斑在整個葉片上的分布情況和病斑具體形態(tài)、邊緣特征等小區(qū)域信息的能力，最后通過跨空間信息聚合的方式捕捉簇狀小病斑和整個葉片特征之間的關(guān)系和依賴，提升了大田作物葉病識別準(zhǔn)確度。