[发明专利]一种基于混合注意力模块的农作物病虫害识别方法

说明书

本发明公开了一种基于改进混合注意力模块的农作物病虫害的细粒度识别方法，先输入农作物病虫害图片，预处理后经过卷积层进行特征提取，向前传播过程使用Inception思想结合残差连接的结构，将卷积层得到的特征图F作为注意力I_CBAM的输入，得到权值M_C(F)和M_S(F)；最后得到特征图F₂，用softmax函数产生最终的预测概率。为了提高病虫害识别模型的准确率并及时对病虫害进行检测，本发明对混合注意力CBAM进行改进，通过通道注意力与空间注意力的并行连接结构，解决了串行连接通道注意力和空间注意力产生的干扰的问题，在使添加注意力后的病虫害细粒度识别模型准确率的提升更加稳定的同时，也保证了I_CBAM在不同模型直接的泛化性。

技术领域

本发明涉及计算机视觉技术领域，尤其是一种基于混合注意力模块的农作物病虫害识别方法。

背景技术

植物在我国的各大自然灾害中，农作物病虫害占据着非常重要的地位，因此，需要及时对其进行预测和监控，以防止重大灾害的发生。

然而，病虫害灾害的发生与种植制度、作物布局和气候趋势等因素息息相关，普通农户于小规模的种植，进行病虫害预测难度很大。防治一种病虫害往往有多达十余种农药可供选择，每种农药所造成的环境污染和温室气体排放量也不尽相同。同时，同一种病虫害所经历的不同阶段、病害程序也需要应用相对应的防治方法。所以，我们需要准确地识别和检测病虫害的种类和严重程度之后，再对症下药，从而最大程度地减少环境污染和最大化病虫害防治效果。

另一方面，中小型农户即使对于同一种作物也往往使用不同的方法，这样种植模式的不统一，也给专业化的大规模防控提升了难度。因此，想要真正地对农作物病虫害进行有效地防治，就需要种植户在第一时间对农作物病虫害进行及时的检测，快速鉴别之后，对病虫害实施有效地防治手段。而应对这种情况，自动化程度高且应用起来无需农户掌握大量专业知识的计算机视觉技术是一个极佳的选择。

传统的机器学习方法，通常经过病斑提取、边缘特征提取等步骤，最后利用支持向量机分类。然而，传统机器学习方法对图像的预处理步骤繁多且复杂，并且只能应用于个别植物的少量病虫害检测，可迁移性差。因此，在病虫害图片数据日益充足的条件下，伴随着深度学习技术的发展，成功解决了传统机器学习需要显式提取病虫害特征和可迁移性差的问题。利用深度学习技术泛化性强的特点，能够同时对种类繁多地病虫害进行识别检测，大大提高了防治的准确率和防治速度。并且，通过在模型中添加注意力模块，又可进一步提高模型的识别准确率。

卷积神经网络中的注意力可分为空间域、通道域和混合域。其中，空间域和通道域是软注意力所关注的地方。而混合域则是将上述的两种不同注意力组合起来。2018年提出的Convolutional Block Attention Module(简称CBAM)就是将卷积模块中的空间注意力和通道注意力进行混合，成为channel→spatial的顺序注意力结构，能够嵌入在卷积操作的之后，即插即用，非常容易移植。

然而在实际应用中，无论是先启用通道注意力后启用空间注意力(channel→spatial，即CBAM)，还是先启用空间注意力后启用通道注意力(spatial→channel,即reverse CBAM，简称R_CBAM)。排序在后的(spatial/channel attention)的权值，都是由排序在前的(channel/spatial attention)加权结果的特征图产生的。而在这个过程中，我们认为排序在前的注意力把原始的特征图“修饰”了。即排序在后的注意力机制所学习的到是被“修饰”过的特征图，因此在一定程度上干扰排序在后的注意力模块学习所到的特征。尤其在细粒度分类任务中，这种由于“串行连接”而产生的干扰，会使注意力模块的效果变得不稳定，对于准确率的提升也难以保证。

发明内容