一种基于Transformer的农作物叶片病害检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115620146A(43)申请公布日2023.01.17(21)申请号202211385848.1G06N3/04(2006.01)(22)申请日2022.11.07G06N3/08(2006.01)(71)申请人无锡学院地址214105江苏省无锡市锡山区锡山大道333号(72)发明人朱节中黄凤星杨再强余晓栋(74)专利代理机构广州粤高专利商标代理有限公司44102专利代理师彭晓勤(51)Int.Cl.G06V20/10(2022.01)G06V10/22(2022.01)G06V10/774(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)权利要求书3页说明书10页附图3页(54)发明名称一种基于Transformer的农作物叶片病害检测方法(57)摘要本发明公开了一种基于Transformer的农作物叶片病害检测方法，涉及农作物病害检测技术领域，包括以下步骤：S1、获取n幅用于模型训练的农作物叶片图像；S2、构建初始的叶片病害检测模型；S3、利用样本集训练初始的叶片病害检测模型，从而得到训练完成的叶片病害检测模型；S4、利用训练完成的叶片病害检测模型对待检测的农作物叶片图像进行检测，得到农作物叶片图像中农作物叶片病害检测结果。本发明模型采用编码器和解码器结构，编码器主要采用Transformer完成特征的提取工作，相较于传统的卷积神经网络速度更快，参数量更少；在解码器中，利用Transformer输出特征图进行特征融合的部分采用通道注意力机制，能够很好的减少模型参数量同时不会使性能下降。CN115620146ACN115620146A权利要求书1/3页1.一种基于Transformer的农作物叶片病害检测方法，其特征在于，包括以下步骤：S1、获取n幅用于模型训练的农作物叶片图像，标记农作物叶片图像中的病害区域，得到完成标记的农作物叶片图像的样本集；S2、构建初始的叶片病害检测模型，所述初始的叶片病害检测模型包括编码器和解码器，编码器采用Transformer结构进行高层特征提取，解码器采用通道注意力机制对编码器Transformer输出特征图进行特征融合；S3、利用步骤S1的样本集训练初始的叶片病害检测模型，从而得到训练完成的叶片病害检测模型；S4、利用训练完成的叶片病害检测模型对待检测的农作物叶片图像进行检测，得到农作物叶片图像中农作物叶片病害检测结果。2.根据权利要求1所述的一种基于Transformer的农作物叶片病害检测方法，其特征在于，步骤S1中获取所述标记农作物叶片图像的方法具体为：S11、获取n幅用于模型训练的农作物叶片图像，其中农作物叶片图像具有RGB三个通道；所述农作物叶片图像包括健康叶片的农作物叶片图像和病害叶片的农作物叶片图像；S12、标记每一幅病害叶片农作物叶片图像中的病害区域和病害区域的病害类型，标记每一幅健康叶片农作物叶片图像中的健康叶片，根据所述标记数据导出掩码图像，每一幅所述农作物叶片图像对应一幅掩码图像；其中掩码图像和农作物叶片图像长宽相同，掩码图像为单通道的灰度图，掩码图像中每个像素点均对应有病害类型或健康叶片的标签。3.根据权利要求2所述的一种基于Transformer的农作物叶片病害检测方法，其特征在于，步骤S2所述叶片病害检测模型的编码器包括：输入层、卷积层和Transformer层，具体为：输入层输入农作物叶片图像，并将农作物叶片图像传输到第一卷积层；农作物叶片图像的尺寸为H×W×3，其中，H和W分别为农作物叶片图像的长宽，3表示农作物叶片图像具有RGB三个通道；农作物叶片图像经过第一卷积层，得到第一编码特征图，第一编码特征图的尺寸为H×W×24；第一编码特征图首先输入池化层进行池化处理，然后经过第二卷积层处理后得到第二编码特征图，第二编码特征图的尺寸为农作物叶片图像经过池化层进行四倍下采样处理，然后输入第一Transformer层得到第三编码特征图，第三编码特征图尺寸为第三编码特征图输入第二Transformer层得到第四编码特征图，第四编码特征图尺寸为第四编码特征图输入第三Transformer层得到第五编码特征图，第五编码特征图尺寸为第五编码特征图输入第四Transformer层得到第六编码特征图，第六编码特征图尺寸为2CN115620146A权利要求书2/3页4.根据权利要求3所述的一种基于Transformer的农作物叶片病害检测方法，其特征在于，所述第一Transformer层、第二Transformer层、第三Transformer层和第四Transformer层的具体结构为：所述第一Transformer层包括：池化层、区块划分操作模块、线性编码操作模块和Tr