一种水稻图片病害区域分类处理方法、计算机设备及可读存储介质与流程

本发明涉及图片处理领域中农业图片的特定区域分类，特别是指一种水稻图片病害区域分类处理方法。

背景技术：

1、在实际的大田环境中，由于背景复杂、光照条件多变以及图像采集设备等因素的限制，对水稻病害区域的准确检测和分类一直是一个技术难题；传统的图像处理技术，如阈值分割，虽然能在某些特定条件下实现病害区域的分割，但这些方法通常对图像质量要求较高，对噪声敏感，且泛化能力较弱。此外，这些方法往往无法直接应用于大田环境下的复杂背景，限制了其在实际农业生产中的应用。

2、近年来，深度学习技术的快速发展为复杂背景下的图像分割和分类提供了新的解决方案。其中，卷积神经网络(cnn)因其强大的特征提取能力而被广泛应用于图像识别领域。resnet50作为一种深度卷积神经网络，通过构建残差学习机制，有效地解决了深度神经网络中的梯度消失和梯度爆炸问题，进一步提高了模型的性能；然而，直接将resnet50等深度学习模型应用于大田环境下的水稻病害检测与分类，仍然面临诸多挑战。例如，模型的泛化能力、对复杂背景的适应性以及实时性等方面仍需进一步提升。

技术实现思路

1、本发明要解决的技术问题是提供一种水稻图片病害区域分类处理方法实现对水稻病害区域进行初步分割，结合卷积神经网络，对初步分割的病害区域进行特征提取，进一步针对病害类型，实现细分，提升泛化能力。

2、为解决上述技术问题，本发明的技术方案如下：

3、第一方面，一种水稻图片病害区域分类处理方法，所述方法包括：

4、获取水稻病害的图片，并构建数据集；

5、对数据集中的各个图片进行预处理，以得到预处理数据集；

6、对预处理数据集进行粗分类，以得到粗分类结果；

7、根据粗分类结果，获得病害区域；

8、根据病害区域以及预设的网络模型进行类别细分，以得到细分类结果；

9、根据细分类结果，获取对应的类别概率分布；

10、根据类别概率分布以及预设的置信度阈值，以得到病害类型结果。

11、进一步的，对预处理数据集进行粗分类，以得到粗分类结果，包括：

12、对预处理数据集进行mosaic数据增强操作，以得到训练数据图片；

13、构建yolov5s模型，对yolov5s模型进行训练，以得到yolov5s特征提取网络模型；

14、通过loss＝lossobj+losscla+losslos降低yolov5s特征提取网络模型的损失函数，以得到处理后yolov5s模型，其中yolov5s的损失是预测边界框损失lossobj、分类损失losscla和边界框置信度损失losslos三部分的总和；

15、将处理后yolov5s模型嵌入坐标注意力机制，对输入的特征图进行空间池化、拼接、卷积操作，以得到yolov5s改进算法；

16、根据yolov5s改进算法，对训练数据图片集进行分类，以得到粗分类结果。

17、进一步的，构建yolov5s模型，对yolov5s模型进行训练，以得到yolov5s特征提取网络模型，包括：

18、构建yolov5s模型并添加focus模块，以得到初步优化yolov5s模型；

19、将初步优化yolov5s模型采用fpn和pan的组合方式，通过将fpn结构进行上采样得到的特征图与通过pan下采样得到的特征图进行聚合训练，以得到训练的yolov5s模型。

20、进一步的，将处理后yolov5s模型嵌入坐标注意力机制，对输入的特征图进行空间池化、拼接、卷积操作，以得到yolov5s改进算法，包括：

21、对输入的特征图分别在水平和竖直方向上进行空间池化操作，通过进行处理以得到两个方向的特征图，其中，c为特征图通道数，h和w分别为特征图高度和特征图宽度，xc(i,j)表示特征图(x)在水平位置(i,j)的像素值，xc(i,w)表示特征图x在竖直位置(i,w)的像素值；

22、将水平和竖直池化后的特征图进行拼接，并通过f＝δ(f1([zh,zw]))进行卷积操作后得到特征图f，其中f1为批量归一化处理后的特征图，δ为激活函数；

23、在空间维度上将特征图f分解为两个张量fh∈rc/r×h和fw∈rc/r×w，经两个1×1的卷积fh和fw将以上两个张量变换为有相同通道数的张量，通过gh＝σ(fh(fh))，gw＝σ(fw(fw))计算以得到两个方向上的权重；

24、对两个方向上的权重，通过乘法加权，以得到yolov5s改进算法。

25、进一步的，根据病害区域以及预设的网络模型进行类别细分，以得到细分类结果，包括：

26、预设resnet50网络模型，并对resnet50网络模型残差优化，以得到预设的网络模型；

27、对输入的病害区域图像进行处理，以得到病害区域；

28、根据病害区域以及预设的网络模型进行类别细分，以得到细分类结果。

29、进一步的，预设resnet50网络模型，并对resnet50网络模型残差优化，以得到预设的网络模型，包括：

30、预设经过inception v1模块改进的resnet50网络模型，并将resnet50网络模型细化为convblock和identityblock两个基本的卷积，以得到细化resnet50网络模型；

31、细化resnet50网络模型的四个组块，每个组块都包含多个convblock和identityblock，对图像深层特征提取，以得到深度resnet50网络模型；

32、深度resnet50网络通过使用3×3的卷积核替代原有的1×1卷积核进行残差优化，以得到预设的网络模型。

33、进一步的，根据类别概率分布以及预设的置信度阈值，以得到病害类型结果，包括：

34、根据类别概率分布，预设动态置信度阈值；

35、通过比较概率与阈值，确定输出类别，并处理≤阈值的情况，以得到病害类型结果

36、第二方面，一种基于复杂背景下水稻图片病害区域分类处理系统，包括：

37、获取模块，用于获取水稻病害的图片，并构建数据集；对数据集中的各个图片进行预处理，以得到预处理数据集；对预处理数据集进行粗分类，以得到粗分类结果；

38、处理模块，用于根据粗分类结果，获得病害区域；根据病害区域以及预设的网络模型进行类别细分，以得到细分类结果；根据细分类结果，获取对应的类别概率分布；根据类别概率分布以及预设的置信度阈值，以得到病害类型结果。

39、第三方面，一种计算设备，包括：

40、一个或多个处理器；

41、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。

42、第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。

43、本发明的上述方案至少包括以下有益效果：

44、通过yolov5s改进算法和神经网络的结合与改进，能够在复杂的大田背景下更准确地识别和分割出水稻病害区域，对病害区域进行初步分割，还能结合卷积神经网络对病害区域进行特征提取和类型细分，通过对神经网络的训练和优化，能够学习到更多种类的病害特征，从而在面对新类型的病害时也能做出准确的判断和分类。