病虫害检测及灾害等级分析方法及系统.pdf

《病虫害检测及灾害等级分析方法及系统.pdf》由会员分享，可在线阅读，更多相关《病虫害检测及灾害等级分析方法及系统.pdf（15页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010310600.3 (22)申请日 2020.04.20 (71)申请人 中国科学院声学研究所南海研究站 地址 570105 海南省海口市龙华区滨海大 道63号 (72)发明人 李松斌晏黔东刘鹏 (74)专利代理机构 北京方安思达知识产权代理 有限公司 11472 代理人 陈琳琳杨青 (51)Int.Cl. G06K 9/34(2006.01) G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明。

2、名称 一种病虫害检测及灾害等级分析方法及系 统 (57)摘要 本发明公开了一种病虫害检测及灾害等级 分析方法及系统。 所述方法包括： 将待检测图像 输入训练好的病虫害语义分割模型， 得到二值图 像； 该二值图像的白色区域为病虫害区域， 黑色 区域为背景区域； 所述待检测图像为原始三通道 图像； 测算二值图像的白色区域， 得到该待检测 图像上的病斑大小； 根据成像原理， 由待检测图 像上的病斑大小计算得到病斑的实际面积； 根据 病斑的实际面积， 确定病虫害的灾害等级。 本发 明通过语义分割将病虫害区域从背景中较为准 确的分割出来， 基于该语义分割结果及成像原 理， 能够在一定误差范围之内估计出病。

3、虫害的实 际面积， 以进行灾害等级分析。 权利要求书3页 说明书8页 附图3页 CN 111444924 A 2020.07.24 CN 111444924 A 1.一种病虫害检测及灾害等级分析方法， 所述方法包括： 将待检测图像输入训练好的病虫害语义分割模型， 得到二值图像； 该二值图像的白色 区域为病虫害区域， 黑色区域为背景区域； 所述待检测图像为原始三通道图像； 测算二值图像的白色区域， 得到该待检测图像上的病斑大小； 根据成像原理， 由待检测图像上的病斑大小计算得到病斑的实际面积； 根据病斑的实际面积， 确定病虫害的灾害等级。 2.根据权利要求1所述的病虫害检测及灾害等级分析方法， 。

4、其特征在于， 所述病虫害语 义分割模型的输入为原始三通道图像， 输出为二值图像， 该病虫害语义分割模型包括： 编码 模块和解码模块； 其中， 所述编码模块， 包括多层编码和深层位置注意力机制处理； 其中， 多层编码用于对输入 的原始三通道图像进行不同感受野的特征编码， 得到不同层特征图， 分别代表不同上下文 信息； 深层位置注意力机制处理， 用于增强最高层特征图各节点间的空间关联关系； 所述解码模块， 用于对编码模块输出的不同层特征图分别进行多尺度特征聚合以及多 通道注意力机制的处理， 再结合不同层次特征图解码后的特征逐一融合， 得到二值图像。 3.根据权利要求2所述的病虫害检测及灾害等级分析。

5、方法， 其特征在于， 所述多层编码 包括依次连接的5个编码层， 所述每个编码层的数学形式均表示如下： F (W*X+b) 其中， F表示经编码后的特征值， W表示对特征进行映射所需的权重， b表示偏置； 非线性 映射函数 为： 经上述5次编码后， 分别得到不同层次的特征输出， 分别为F1、 F2、 F3、 F4和F5； 所述深层 位置注意力机制处理， 具体包括并列的第一分支、 第二分支和第三分支； 其中， 所述第一分支连接1个11的卷积； 所述第二分支依次连接第一卷积、 乘法器、 图卷积和第二卷积； 其中， 第一卷积和第二 卷积均为11的卷积； 图卷积的表示形式如下： Z(I-Ag)V)Wg 。

6、其中， Z为经图卷积进行节点推理以后的输出结果， I-Ag为NN节点的邻接矩阵， 用于节 点信息之间的扩散， Ag为近邻矩阵的另一种表示形式， V为各节点信息， Wg为可更新的权重参 数； 所述第三分支连接1个乘法器； 所述第一分支的卷积输出分成两路， 一路输入第二分支的乘法器， 另一路输入第二分 支的第二卷积； 所述第二分支的输出接入第三分支的乘法器。 4.根据权利要求3所述的病虫害检测及灾害等级分析方法， 其特征在于， 所述解码模块 的具体处理步骤包括： 对所述编码模块经深层位置注意力机制处理后的输出进行解码， 得到特征F4； 对所述编码模块的第四层特征图依次进行多尺度特征聚合处理和多通道。

7、注意力机制 权利要求书 1/3 页 2 CN 111444924 A 2 处理， 经处理后的特征与F4进行融合得到特征 对进行解码得到解码特征， 并对编码模块的第三层特征图依次进行多尺度特征聚合 处理和多通道注意力机制处理， 经处理后的特征与的解码特征进行融合得到 对进行解码得到解码特征， 并对编码模块的第三层特征图依次进行多尺度特征聚合 处理和多通道注意力机制处理， 经处理后的特征与的解码特征进行融合得到 对进行解码得到解码特征， 并对编码模块的第三层特征图依次进行多尺度特征聚合 处理和多通道注意力机制处理， 经处理后的特征与的解码特征进行融合得到 其中， 解码表示为： Ol+1 (T(Ol。

8、) 其中， Ol+1为解码输出， T为反卷积， 为非线性映射函数， Ol为上一层的解码输出； 对进行softmax函数处理， 得到二值图像。 5.根据权利要求4所述的病虫害检测及灾害等级分析方法， 其特征在于， 所述多尺度特 征聚合处理为经过并列的第一分支、 第二分支、 第三分支和第四分支的处理后得到不同尺 度上的特征， 通过特征拼接实现多尺度特征的融合； 具体包括： 所述第一分支为卷积核为11、 步长为1的卷积； 所述第二分支为卷积核为33、 步长为1的卷积； 所述第三分支为卷积核为33、 步长为1、 空洞率为2的卷积； 所述第四分支为卷积核为33、 步长为1、 空洞率为4的卷积； 所述特征。

9、拼接表示为： 其中，为融合后的特征， 表示拼接操作， H11()， H33()， H33,2()， H33,4()分别对应第一分支、 第二分支、 第三分支和第四分支的卷积操作。 6.根据权利要求5所述的病虫害检测及灾害等级分析方法， 其特征在于， 所述多通道注 意力机制处理为依次进行压缩处理、 激励处理和乘积处理； 其中， 所述压缩处理为Fsq()， 沿着通道维进行压缩， 得到C个实数， 这C个实数代表了全局的 上下文信息； 经压缩后得到的特征通道响应zc为： 其中， H是特征图的高， W是特征图的宽， HW是输入特征图的大小， x(i,j)是特征值； 所述激励处理为Fex()， 用于获得各通。

10、道的重要性程度wc为： wc (W2 (W1zc) 其中， wc为各通道的重要性程度， 表示激励处理， 是sigmoid激活函数， 是ReLU激活函 数， W1和W2分别是特征映射权值矩阵； 所述乘积操作， 用于利用全局上下文信息对通道进行筛选， 获得筛选值 为： 权利要求书 2/3 页 3 CN 111444924 A 3 其中， x是特征值。 7.根据权利要求6所述的病虫害检测及灾害等级分析方法， 其特征在于， 所述方法还包 括病虫害语义分割模型的训练步骤； 具体包括： 步骤1)获取病虫害图像和对应的标签作为训练集， 其中病虫害图像为原始三通道彩色 图像， 标签为单通道黑白图像； 步骤2)。

11、分批次将训练集中的原始三通道彩色图像数据输入病虫害语义分割模型； 训练 数据前向传输得到的输出与标签进行损失计算， 损失函数采用交叉熵： 其中， y表示真实标签， 表示语义分割结果； 基于梯度下降法对病虫害语义分割模型的参数进行调整， 得到新的模型参数组合， 重 复步骤2)， 直到训练集图片全部输入完毕； 步骤3)当总训练次数未达到设定阈值时， 对训练集的图片重新组合、 划分批次， 重复步 骤2)； 直至训练出病虫害语义分割模型的最优参数组合。 8.根据权利要求1所述的病虫害检测及灾害等级分析方法， 其特征在于， 所述根据成像 原理， 由待检测图像上的病斑大小计算得到病斑的实际面积； 具体为：。

12、 根据成像原理， 计算得到实际病斑面积Sreal： 其中， Spicture是病虫害在该待检测图像上的病斑大小， L是相机中心到观测距离的理想 垂直距离， f是相机的焦距。 9.根据权利要求8所述的病虫害检测及灾害等级分析方法， 其特征在于， 所述根据病斑 的实际面积， 确定病虫害的灾害等级； 具体为： 当所述病斑的实际面积小于等于第一阈值时， 为轻度灾害； 当所述病斑的实际面积大于第一阈值并且小于等于第二阈值时， 为中度灾害； 当所述病斑的实际面积大于第二阈值时， 为重度灾害。 10.一种病虫害检测及灾害等级分析系统， 其特征在于， 所述系统具体包括： 病虫害语 义分割模型、 转换输出模块、。

13、 病斑实际面积计算模块和灾害等级判断模块； 其中， 所述转换输出模块， 用于将待检测图像输入训练好的病虫害语义分割模型， 得到二值 图像； 该二值图像的白色区域为病虫害区域， 黑色区域为背景区域； 所述待检测图像为原始 三通道图像； 所述病斑实际面积计算模块， 用于测算二值图像的白色区域， 得到该待检测图像上的 病斑大小； 并根据成像原理， 由待检测图像上的病斑大小计算得到病斑的实际面积； 所述灾害等级判断模块， 用于根据病斑的实际面积， 确定病虫害的灾害等级。 权利要求书 3/3 页 4 CN 111444924 A 4 一种病虫害检测及灾害等级分析方法及系统 技术领域 0001 本发明涉及。

14、机器视觉、 图像处理和深度学习技术领域， 具体涉及一种病虫害检测 及灾害等级分析方法及系统。 背景技术 0002 乱砍滥伐、 森林火灾和森林病虫害是破坏森林生态平衡的三大常见灾害， 其中， 森 林病虫害因其隐蔽性和易大面积扩散的性质而难以预防和整治。 因此， 森林病虫害的自动 化检测与灾害等级分析对于促进森林生态系统稳定发展具有十分重要的意义。 近年来， 基 于可见光图像的植物病虫害自动诊断在林业生产中起着不可或缺的作用， 已经成为了林业 信息领域的研究热点。 0003 传统基于计算机视觉与机器学习的方法在植物病虫害识别与检测方面的技术已 经相对比较成熟， 如支持向量机， 人工神经网络。 然而。

15、， 这类方法需要复杂的图像处理和特 征提取步骤， 这会严重影响病虫害检测的效率。 更为重要的是， 由于此类方法往往需要研究 人员基于特定场景的数据设计特征， 这也就导致了此类方法不具备良好的鲁棒性和泛化 性。 0004 近年来， 卷积神经网络在图像分类领域炙手可热。 深度卷积神经网络自动提取并 学习图像中的关键信息， 这种获取全局语义信息的能力来自于其重复堆叠的卷积和池化结 构。 受这种方法的启发， 基于卷积神经网络的植物病虫害图像识别已经取得了不错的进展。 然而， 这类方法仅能够判断输入图像中是否存在植物病虫害， 而无法捕捉到更为重要的细 节信息， 如病斑位置和病斑面积等。 因此， 设计一种。

16、能够自动检测出病虫害面积并进行灾害 等级分析的方法是十分有必要的。 发明内容 0005 本发明的目的在于克服现有技术缺陷， 提出了一种病虫害检测及灾害等级分析方 法及系统。 0006 为了实现上述目的， 本发明提出了一种病虫害检测及灾害等级分析方法， 所述方 法包括： 0007 将待检测图像输入训练好的病虫害语义分割模型， 得到二值图像； 该二值图像的 白色区域为病虫害区域， 黑色区域为背景区域； 所述待检测图像为原始三通道图像； 0008 测算二值图像的白色区域， 得到该待检测图像上的病斑大小； 0009 根据成像原理， 由待检测图像上的病斑大小计算得到病斑的实际面积； 0010 根据病斑的。

17、实际面积， 确定病虫害的灾害等级。 0011 作为上述方法的一种改进， 所述病虫害语义分割模型的输入为原始三通道图像， 输出为二值图像， 该病虫害语义分割模型包括： 编码模块和解码模块； 其中， 0012 所述编码模块， 包括多层编码和深层位置注意力机制处理； 其中， 多层编码用于对 输入的原始三通道图像进行不同感受野的特征编码， 得到不同层特征图， 分别代表不同上 说明书 1/8 页 5 CN 111444924 A 5 下文信息； 深层位置注意力机制处理， 用于增强最高层特征图各节点间的空间关联关系； 0013 所述解码模块， 用于对编码模块输出的不同层特征图分别进行多尺度特征聚合以 及多。

18、通道注意力机制的处理， 再结合不同层次特征图解码后的特征逐一融合， 得到二值图 像。 0014 作为上述方法的一种改进， 所述多层编码包括依次连接的5个编码层， 所述每个编 码层的数学形式均表示如下： 0015 F (W*X+b) 0016 其中， F表示经编码后的特征值， W表示对特征进行映射所需的权重， b表示偏置； 非 线性映射函数 为： 0017 0018 经上述5次编码后， 分别得到不同层次的特征输出， 分别为F1、 F2、 F3、 F4和F5； 所述 深层位置注意力机制处理， 具体包括并列的第一分支、 第二分支和第三分支； 其中， 0019 所述第一分支连接1个11的卷积； 002。

19、0 所述第二分支依次连接第一卷积、 乘法器、 图卷积和第二卷积； 其中， 第一卷积和 第二卷积均为11的卷积； 图卷积的表示形式如下： 0021 Z(I-Ag)V)Wg 0022 其中， Z为经图卷积进行节点推理以后的输出结果， I-Ag为NN节点的邻接矩阵， 用于节点信息之间的扩散， Ag为近邻矩阵的另一种表示形式， V为各节点信息， Wg为可更新的 权重参数； 0023 所述第三分支连接1个乘法器； 0024 所述第一分支的卷积输出分成两路， 一路输入第二分支的乘法器， 另一路输入第 二分支的第二卷积； 0025 所述第二分支的输出接入第三分支的乘法器。 0026 作为上述方法的一种改进，。

20、 所述解码模块的具体处理步骤包括： 0027 对所述编码模块经深层位置注意力机制处理后的输出进行解码， 得到特征F4； 0028 对所述编码模块的第四层特征图依次进行多尺度特征聚合处理和多通道注意力 机制处理， 经处理后的特征与F4进行融合得到特征 0029对进行解码得到解码特征， 并对编码模块的第三层特征图依次进行多尺度特征 聚合处理和多通道注意力机制处理， 经处理后的特征与的解码特征进行融合得到 0030对进行解码得到解码特征， 并对编码模块的第三层特征图依次进行多尺度特征 聚合处理和多通道注意力机制处理， 经处理后的特征与的解码特征进行融合得到 0031对进行解码得到解码特征， 并对编码。

21、模块的第三层特征图依次进行多尺度特征 聚合处理和多通道注意力机制处理， 经处理后的特征与的解码特征进行融合得到 0032 其中， 解码表示为： 0033 Ol+1 (T(Ol) 0034 其中， Ol+1为解码输出， T为反卷积， 为非线性映射函数， Ol为上一层的解码输出； 0035对进行sonmax函数处理， 得到二值图像。 说明书 2/8 页 6 CN 111444924 A 6 0036 作为上述方法的一种改进， 所述多尺度特征聚合处理为经过并列的第一分支、 第 二分支、 第三分支和第四分支的处理后得到不同尺度上的特征， 通过特征拼接实现多尺度 特征的融合； 具体包括： 0037 所述。

22、第一分支为卷积核为11、 步长为1的卷积； 0038 所述第二分支为卷积核为33、 步长为1的卷积； 0039 所述第三分支为卷积核为33、 步长为1、 空洞率为2的卷积； 0040 所述第四分支为卷积核为33、 步长为1、 空洞率为4的卷积； 0041 所述特征拼接表示为： 0042 0043其中，为融合后的特征， 表示拼接操作， H11()， H33()， H33， 2 ()， H33， 4()分别对应第一分支、 第二分支、 第三分支和第四分支的卷积操作。 0044 作为上述方法的一种改进， 所述多通道注意力机制处理具体为依次进行压缩、 激 励和乘积处理； 其中， 0045 所述压缩处理为。

23、Fsq()， 沿着通道维进行压缩， 得到C个实数， 这C个实数代表了全 局的上下文信息； 经压缩后得到的特征通道响应zc为： 0046 0047 其中， H是特征图的高， W是特征图的宽， HW是输入特征图的大小， x(i， j)是特征 值； 0048 所述激励处理为Fex()， 用于获得各通道的重要性程度wc为： 0049 wc (W2 (W1zc) 0050 其中， wc为各通道的重要性程度， 表示激励处理， 是sigmoid激活函数， 是ReLU激 活函数， W1和W2分别是特征映射权值矩阵； 0051所述乘积操作， 用于利用全局上下文信息对通道进行筛选， 获得筛选值 为： 0052 0。

24、053 其中， x是特征值。 0054 作为上述方法的一种改进， 所述方法还包括病虫害语义分割模型的训练步骤； 具 体包括： 0055 步骤1)获取病虫害图像和对应的标签作为训练集， 其中病虫害图像为原始三通道 彩色图像， 标签为单通道黑白图像； 0056 步骤2)分批次将训练集中的原始三通道彩色图像数据输入病虫害语义分割模型； 训练数据前向传输得到的输出与标签进行损失计算， 损失函数采用交叉熵： 0057 0058其中， y表示真实标签， 表示语义分割结果； 0059 基于梯度下降法对病虫害语义分割模型的参数进行调整， 得到新的模型参数组 合， 重复步骤2)， 直到训练集图片全部输入完毕； 。

25、0060 步骤3)当总训练次数未达到设定阈值时， 对训练集的图片重新组合、 划分批次， 重 说明书 3/8 页 7 CN 111444924 A 7 复步骤2)； 直至训练出病虫害语义分割模型的最优参数组合。 0061 作为上述方法的一种改进， 所述根据成像原理， 由待检测图像上的病斑大小计算 得到病斑的实际面积； 具体为： 0062 根据成像原理， 计算得到实际病斑面积Sreal： 0063 0064 其中， Spicture是病虫害在该待检测图像上的病斑大小， L是相机中心到观测距离的 理想垂直距离， f是相机的焦距。 0065 作为上述方法的一种改进， 所述根据病斑的实际面积， 确定病虫。

26、害的灾害等级； 具 体为： 0066 当所述病斑的实际面积小于等于第一阈值时， 为轻度灾害； 0067 当所述病斑的实际面积大于第一阈值并且小于等于第二阈值时， 为中度灾害； 0068 当所述病斑的实际面积大于第二阈值时， 为重度灾害。 0069 本发明还提出了一种病虫害检测及灾害等级分析系统， 所述系统具体包括： 病虫 害语义分割模型、 转换输出模块、 病斑实际面积计算模块和灾害等级判断模块； 其中， 0070 所述转换输出模块， 用于将待检测图像输入训练好的病虫害语义分割模型， 得到 二值图像； 该二值图像的白色区域为病虫害区域， 黑色区域为背景区域； 所述待检测图像为 原始三通道图像； 。

27、0071 所述病斑实际面积计算模块， 用于测算二值图像的白色区域， 得到该待检测图像 上的病斑大小； 并根据成像原理， 由待检测图像上的病斑大小计算得到病斑的实际面积； 0072 所述灾害等级判断模块， 用于根据病斑的实际面积， 确定病虫害的灾害等级。 0073 与现有技术相比， 本发明的优势在于： 0074 1、 本发明提出了基于多尺度特征聚合和注意力机制的病虫害检测与灾害等级分 析方法。 该方法通过语义分割将病虫害区域从背景中较为准确的分割出来， 基于该语义分 割结果及成像原理， 能够在一定误差范围之内估计出病虫害的实际面积， 以进行灾害等级 分析； 0075 2、 本发明采用深度编解码结。

28、构作为语义分割的基本框架。 深度编解码结构能够逐 步融合深层次高度耦合的语义特征和浅层次丰富的空间位置信息， 从而有效提升模型的分 割能力； 0076 3、 本发明提出了一种多尺度特征聚合步骤。 通过空洞空间金字塔结构应用于中低 层次特征的多尺度特征融合， 从而丰富了中低层次特征， 使得语义分割结果的空间细节信 息恢复得更好； 0077 4、 本发明基于图卷积的深层位置注意力机制能够捕获不同局部区域间的节点关 系， 有效增强全局上下文信息的交互。 针对中低层次特征引入的多尺度特征聚合有效增加 了空间细节信息的恢复能力。 附图说明 0078 图1是本发明的病虫害语义分割模型示意图； 0079 图。

29、2是本发明的多尺度特征聚合处理的示意图； 说明书 4/8 页 8 CN 111444924 A 8 0080 图3是本发明的多尺度特征聚合加多通道注意力机制处理的示意图； 0081 图4是本发明的深层位置注意力机制处理的示意图； 0082 图5是本发明的病虫害实际面积估计示意图。 具体实施方式 0083 本发明提出的基于多尺度特征聚合和注意力机制的病虫害检测与灾害等级分析 方法， 将语义分割技术应用于本领域， 通过多尺度特征聚合和注意力机制等手段， 实现了较 为精确的病虫害图像分割。 并基于此分割结果及成像原理， 实现了病虫害的等级分析。 0084 下面结合附图和实施例对本发明的技术方案进行详。

30、细的说明。 0085 实施例1 0086 如图1所示， 一种基于多尺度特征聚合和注意力机制的病虫害检测方法， 该方法主 要包括以下步骤： 0087 S1、 从野外收集真实环境下的病虫害图像， 建立待分割数据集， 所述待分割数据集 由原始三通道彩色图像和对应的mask标签组成， 所述标签为单通道黑白图像； 0088 S2、 构建基于多尺度特征聚合和注意力机制的病虫害语义分割模型， 如图1所示， 所述病虫害语义分割模型包括编码步骤， 深层位置注意力机制增强高层特征空间节点关系 步骤及解码步骤； 所述解码步骤包括： 上采样单元恢复图像分辨率步骤、 多尺度特征聚合步 骤及多通道注意力机制赋予模型 “非。

31、黑即白” 思维能力步骤； 步骤S2具体实施包括以下步 骤： 0089 S21、 所述编码步骤对输入图像进行5次不同感受野的特征编码， 从而得到获得代 表不同上下文信息的特征， 这些特征表达了图像隐含的不同语义信息； 各编码层操作的数 学形式均可表示如下： 0090 Ff(X) (W*X+b) (1) 0091 其中， F表示经编码后的特征值， f()表示编码函数， W表示对特征进行映射所需 权重， b表示偏置。 为使编码层具备非线性映射能力， 非线性映射函数 被应用， 其数学形式 表示如下： 0092 0093 经上述5次编码后， 分别得到不同层次特征的数量为64， 128， 256， 512。

32、和512。 0094 S22、 所述深层位置注意力机制通过图卷积的全局推理能力对编码器的最终输出 进行节点间的关系进行建模， 如图4示； 假定G表示NN节点的邻接矩阵， 用于节点信息之间 的扩散。 Wg是可更新的权重参数， V表示各节点信息。 由于邻接矩阵G可以表示为I-Ag， Ag为近 邻矩阵的另一种表示形式， 因此， 图卷积最终形式表示如下： 0095 ZGVWg(I-Ag)V)Wg (3) 0096 其中， Z表示经图卷积进行节点推理以后的输出结果， 该结果可以表示全局各节点 之间的位置关系； 该步骤用于将S21步骤得到的最高层特征图进行全局推理， 增强最高层特 征图各节点间的空间关联关。

33、系。 经该步骤后的特征不改变本身的分辨率； 0097 在本实施例中， 由于分割模型过多的下采样会导致模型在恢复图像分辨率的过程 中， 对于空间细节恢复效果较差。 因此， 编码端输出的特征无法代表全局上下文语义信息。 说明书 5/8 页 9 CN 111444924 A 9 本发明的深层位置注意力机制正是为此提出， 该步骤通过对特征图进行全局推理， 使得具 有相似特征的节点间关系更为紧密， 无关节点间关系更加疏远。 从而增强了各节点间的空 间关联关系， 且该步骤并不会影响特征图的空间分辨率。 从而有效提升了模型的分割性能。 该步骤， 输入特征首先经过两个11的卷积实现特征映射和降维。 然后， 将。

34、这两个输出特征 进行对应位置相乘并经上述机制处理得到空间关系更为紧密的特征图。 最后， 经11卷积 进行升维， 得到最终的输出。 0098 S23、 将步骤S22中经深层位置注意力机制增强节点间空间关联关系后的最高层特 征图进行一次解码， 得到特征F4， 解码的基本过程可以表示为： 0099 Ol+1 (T(Ol) (4) 0100 其中， T表示反卷积， 表示非线性映射函数。 然后对编码端倒数第二层的512个特 征图进行多尺度特征聚合和多通道注意力机制处理， 经处理后的特征与F4进行融合得到特 征同理， 对进行解码并对编码端对应层的特征进行操作后， 对这两组特征进行融合得 到进一步得到对进行。

35、softmax函数处理， 便可以得到分割结果。 0101 如图2所示， 在本实施例中， 所述多尺度特征聚合步骤通过不同尺度的卷积核以及 不同空洞率的卷积核并行对输入特征进行处理。 由于不同大小的卷积核以及不同空洞率的 卷积核对特征图的感受野不同， 从而产生了不同语义信息的多尺度特征。 这些特征的聚合 将极大程度上丰富特征的空间细节信息； 0102 在本实施例中， 多尺度特征聚合步骤总共包含4个不同的支路： a)卷积核为11， 步长为1； b)卷积核大小为33， 步长为1； c)卷积核大小为33， 步长为1， 空洞率为2； d)卷 积核大小为33， 步长为1， 空洞率为4。 这4个支路能够接收到。

36、不同大小的感受野， 即不同尺 度的局部信息， 这有利于空间细节的恢复。 得到不同尺度上的特征以后， 通过特征拼接的方 式实现多尺度特征的融合， 其数学表达式如下所示： 0103 0104其中，表示融合后的特征， 表示拼接操作， H11()， H33()， H33， 2()， H33， 4()分别对应该模块4个支路的不同操作 0105 如图3所示， 在本实施例中， 所述多通道注意力机制通过特征的全局上下文信息显 示地对特征通道之间的关系进行建模， 将特征通道的重要性转化为可学习的参数， 从而鼓 励了特征通道响应； 该步骤主要由压缩、 激励和乘积操作组成； 压缩操作沿着通道维进行压 缩， 得到C个。

37、实数。 这C个实数代表了全局的上下文信息； 该操作的数学形式表示如下： 0106 0107 其中， zc表示经压缩后得到的特征通道响应， Fsq()表示压缩操作， H是特征图的 高， W是特征图的宽， HW是输入特征图的大小， x(i， j)是特征值。 得到特征通道响应值以后 会对其进行激励操作； 激励操作的数学形式表示如下： 0108 wcFex(zc) (W2 (W1zc) (7) 0109 其中， wc表示各通道的重要性程度， Fex()表示激励操作， 和 分别是sigmoid激 活函数和ReLU激活函数， W1和W2分别是特征映射权值矩阵。 最后将习得的通道响应wc与输入 特征对应相乘。

38、， 即可以利用全局上下文信息对通道进行筛选； 其操作可以表示如下： 0110 说明书 6/8 页 10 CN 111444924 A 10 0111 为了进一步提升模型的分割能力， 本文将多尺度特征融合与多通道注意力机制结 合； 所述操作首先进行多尺度特征提取， 然后在每一个特征提取支路上设置通道注意力机 制， 从而实现在提取多尺度特征的同时进行特征的筛选。 这样的设置能够最大限度的提升 空间细节信息的恢复。 0112 S3、 获取批次训练数据与mask标签的损失函数值， 并根据梯度值反向传播， 更新模 型参数； 具体包括以下步骤： 0113 S31、 对构建好的模型进行训练。 首先， 将图像。

39、数据按训练集、 验证集和测试集分别 占比70， 10和20进行分配。 训练策略采用RMSprop优化算法， 初始学习率为10-4， 动量 衰减为0.9， 学习率每30次衰减为上一次的0.5倍， 总训练次数为200个epoch； 0114 S32、 按批次将图像数据输入至模型进行训练， 批次大小选择16； 训练数据前向传 输得到的输出与mask标签进行损失计算， 损失函数采用交叉熵： 0115 0116其中， y表示真实标签， 表示语义分割结果； 0117 S33、 基于梯度下降法对模型的所有参数进行调整， 得到新的模型参数组合， 转入 步骤S32)； 不断反复， 直到训练集图片全部输入完毕； 。

40、0118 S34、 对训练集的图片进行重新洗牌， 转至步骤S32)； 反复执行， 直至训练出模型的 最优参数组合。 0119 S4、 将待分割图像输入至最优的病虫害语义分割模型， 得到分割结果。 0120 S5、 基于语义分割结果并根据成像原理完成灾害等级分析； 具体步骤如下： 0121 S51、 如图5所示， 根据成像原理， 观测区域实际面积与图像存在以下比例关系： 0122 0123 其中， Sreal表示实际病斑面积， Spicture是病斑在图像中的大小， L表示相机中心到观 测距离的理想垂直距离， f是相机的焦距。 根据上述关系， 便可以通过计算得到病斑的实际 面积。 0124 S5。

41、2、 根据S51步骤得到实际病斑面积Sreal， 对比分析得到灾害等级， Sreal1m2平方 米为轻度灾害， 1Sreal5m2为中度灾害， Sreal5m2为重度灾害。 0125 实施例2 0126 根据实施例1的方法， 构建一种病虫害检测及灾害等级分析系统， 该系统具体包 括： 病虫害语义分割模型、 转换输出模块、 病斑实际面积计算模块和灾害等级判断模块； 其 中， 0127 转换输出模块， 用于将待检测图像输入训练好的病虫害语义分割模型， 得到二值 图像； 该二值图像的白色区域为病虫害区域， 黑色区域为背景区域； 所述待检测图像为原始 三通道图像； 0128 病斑实际面积计算模块， 用。

42、于测算二值图像的白色区域， 得到该待检测图像上的 病斑大小； 并根据成像原理， 由待检测图像上的病斑大小计算得到病斑的实际面积； 0129 灾害等级判断模块， 用于根据病斑的实际面积， 确定病虫害的灾害等级。 0130 最后所应说明的是， 以上实施例仅用以说明本发明的技术方案而非限制。 尽管参 照实施例对本发明进行了详细说明， 本领域的普通技术人员应当理解， 对本发明的技术方 说明书 7/8 页 11 CN 111444924 A 11 案进行修改或者等同替换， 都不脱离本发明技术方案的精神和范围， 其均应涵盖在本发明 的权利要求范围当中。 说明书 8/8 页 12 CN 111444924 A 12 图1 说明书附图 1/3 页 13 CN 111444924 A 13 图2 图3 图4 说明书附图 2/3 页 14 CN 111444924 A 14 图5 说明书附图 3/3 页 15 CN 111444924 A 15 。