一种黄芩病虫害识别系统及方法

本发明涉及图像识别领域，尤其涉及一种黄芩病虫害识别系统及方法。

背景技术：

1、在农业生产过程中，病虫害的监测与管理对于保障作物健康成长和提高产量具有重要意义。特别是对于黄芩这种具有重要药用价值的中草药材，其病虫害的有效识别与及时防治直接关系到药材的质量和产量。例如，申请号为cn202311838714.5的中国专利，公开了一种中草药种植病虫害及草害防治方法，涉及中草药种植技术领域。该中草药种植病虫害及草害防治方法，具体包括以下步骤：s1.虫害预防；s2.虫害防治；a.土壤覆盖；b.除草处理；c.边缘预防。该中草药种植病虫害及草害防治方法通过设置诱虫灯再配合粘虫板起到吸引害虫和诱杀害虫的作用，并且还通过供养蝴蝶与瓢虫，使得蝴蝶和瓢虫能够对药田的害虫进行捕杀，同时在此过程中通过铺设混凝土泡沫砖块避免了杂草的生产，而且药田外围设置了混凝土和地膜能够有效防止外界植物的入侵，在防虫害和防草害的双重方式下，能够极大的保证黄芩的健康生长，防止黄芩病害的发生。然而，传统的病虫害识别方法主要依赖人工经验判断，这不仅耗时耗力，而且准确性和效率较低，难以满足现代农业生产的需求。

2、随着信息技术的发展，基于图像处理和机器学习的病虫害自动识别技术取得了一定进展，但仍存在准确率不高、泛化能力弱、计算效率低等问题。进而导致模型在面对未见过的病虫害类型或是在变化的环境条件下性能下降明显；计算效率低影响了黄芩种植的管理效率和产量质量。

技术实现思路

1、本发明实施例提供了一种黄芩病虫害识别方法，通过集成高分辨率图像采集、基于生成对抗网络的数据增强方法，以及动态特征路径网络，实现了针对黄芩病虫害的高精度识别。以解决目前病虫害自动识别技术存在的识别准确率不高，模型泛化能力弱，计算效率低的技术问题，提升黄芩种植的管理效率和产量质量的技术效果。

2、本发明实施例提供的一种黄芩病虫害识别方法，包括以下步骤：

3、s1.收集黄芩植株的图像数据，并对黄芩植株的图像数据进行标注，形成训练集与测试集；

4、s2.采用基于生成对抗网络的数据增强方法扩充所述训练集，得到增强后的训练集；

5、s3.通过基于多尺度特征融合机制和深度可分离卷积的改进的卷积神经网络模型对增强后的训练集的图像进行多尺度特征提取和融合处理，得到多尺度融合特征图，具体计算如下：

6、，

7、其中，表示多尺度融合的特征图；代表小尺寸卷积核提取的特征图；代表中尺寸卷积核提取的特征图；代表大尺寸卷积核提取的特征图；为小尺寸特征图融合权重；为中尺寸特征图融合权重；为大尺寸特征图融合权重；、、通过改进的卷积神经网络的训练自动调整；

8、s4. 构建自适应特征关注网络算法，调整所述多尺度融合特征图中不同区域的关注度，得到加权特征图；

9、s5.利用动态特征路径网络对加权特征图进行分析，确定特征提取路径，得到动态特征图，公式如下：

10、，

11、其中，代表特征提取路径的总数；是第条特征提取路径的特征提取函数；是选择第条路径的概率；表示动态特征图；表示加权特征图；依据所述动态特征图进行病虫害分类，得到病虫害类别的概率分布。

12、作为一具体实施方式，s1具体包括：

13、在不同时间、不同环境条件下收集黄芩植株的图像数据，对黄芩植株的图像数据进行标注的内容包括病虫害类型、发病部位和严重程度。

14、作为一具体实施方式，s2具体包括：

15、生成对抗网络通过生成器生成逼真的黄芩病虫害图像，通过判别器区分生成的黄芩病虫害图像与真实黄芩病虫害图像；通过生成器与判别器的对抗过程，得到增强后的训练集。

16、作为一具体实施方式，s3具体包括：

17、基于改进的卷积神经网络模型进行特征提取的具体公式如下：

18、，

19、其中，表示通过改进的卷积神经网络模型提取的图像的第层特征图；表示深度卷积操作；表示卷积核；表示输入特征图；表示逐点卷积操作；表示的卷积核；表示卷积操作。

20、作为一具体实施方式，s4具体包括：

21、利用自适应特征关注网络算法增强多尺度融合的特征图中重要特征的表达能力，同时抑制不重要的特征；通过自注意力机制的特征权重分配网络，计算每个特征点对识别任务的贡献度，得到特征关注权重，依据特征关注权重调整多尺度融合的特征图的权重分布，得到加权特征图。

22、作为一具体实施方式，s5具体包括：

23、动态特征路径网络使用一组预先训练的分类器，每个分类器代表一种特征提取路径，基于得到的一组特征提取路径构成路径选择向量，具体计算如下：

24、，

25、其中，表示权重矩阵；是偏置项；函数确保路径选择向量的每个元素值在0到1之间，代表了选择每条路径的概率；表示加权特征图；

26、结合所述路径选择向量和各预定义路径提取的特征计算得到动态特征图。

27、作为一具体实施方式，各预定义路径分别由不同配置的卷积层、激活函数和池化层构成。

28、作为一具体实施方式，s5还包括：

29、动态特征路径网络采用深度全连接网络对动态特征图进行病虫害分类，以得到病虫害类别的概率分布。

30、本技术实施例还公开了一种黄芩病虫害识别系统，应用上述黄芩病虫害识别方法，黄芩病虫害识别系统包括：

31、图像采集模块，用于在不同时间和不同环境条件下收集黄芩植株的图像数据；

32、标注模块，用于对图像采集模块收集的黄芩植株的图像进行标注，形成训练集与测试集；

33、数据增强模块，用于采用基于生成对抗网络的数据增强方法扩充标注模块形成的训练集，得到增强后的训练集；

34、多尺度特征提取与融合模块，用于基于改进的卷积神经网络模型，对经过数据增强模块增强后的训练集的图像进行多尺度特征提取和处理，以得到多尺度融合的特征图；

35、特征关注模块，用于构建自适应特征关注网络算法，调整通过多尺度特征提取与融合模块得到的多尺度融合的特征图中不同区域的关注度，得到加权特征图；

36、特征路径模块，用于利用动态特征路径网络对通过特征关注模块得到的加权特征图进行分析，以确定特征提取路径，得到动态特征图，进行病虫害分类。

37、有益效果：

38、本发明实施例中提供的多个技术方案，至少具有如下技术效果或优点：

39、通过生成对抗网络生成多样化的训练样本，模拟了真实黄芩病虫害图像的分布，极大地增强深度学习模型的泛化能力，确保模型能够适应实际应用中的数据多样性，有效应对未知或少见的病虫害类型。

40、多尺度特征融合机制进一步增强了对复杂病虫害特征的识别能力，确保从细节到全局的全面覆盖，提升了整体识别效果。

41、利用动态特征路径网络根据图像的具体特性动态调整特征提取过程，提升了识别精度。

42、引入深度可分离卷积进一步优化改进的卷积神经网络模型的计算效率，显著降低了模型的参数数量和计算负担，使得本发明更适合在资源受限的环境中部署，如移动设备或现场监测设备，对于黄芩种植管理具有重要意义，有助于采取及时有效的防治措施，减少经济损失。