CN117036933A - 农作物病虫害智能防治系统及其方法 - Google Patents
农作物病虫害智能防治系统及其方法 Download PDFInfo
- Publication number
- CN117036933A CN117036933A CN202310837300.4A CN202310837300A CN117036933A CN 117036933 A CN117036933 A CN 117036933A CN 202310837300 A CN202310837300 A CN 202310837300A CN 117036933 A CN117036933 A CN 117036933A
- Authority
- CN
- China
- Prior art keywords
- crop
- pest
- diseases
- insect pests
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 296
- 238000000034 method Methods 0.000 title claims abstract description 41
- 201000010099 disease Diseases 0.000 claims abstract description 231
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 231
- 241000238631 Hexapoda Species 0.000 claims abstract description 164
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 193
- 238000012549 training Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 244000038559 crop plants Species 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 230000007480 spreading Effects 0.000 claims description 5
- 238000003892 spreading Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012271 agricultural production Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 241000221785 Erysiphales Species 0.000 description 1
- 241001466042 Fulgoromorpha Species 0.000 description 1
- 241000255967 Helicoverpa zea Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000346285 Ostrinia furnacalis Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Mining & Mineral Resources (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智能防治领域,其具体地公开了一种农作物病虫害智能防治系统及其方法,其获取由摄像头采集的农作物病虫害图像,进一步用基于深度神经网络模型的人工智能技术来通过使用空间注意力的卷积神经网络模型和上下文编码器进行特征提取,以得到用于表示病虫害的种类的分类结果,并提醒诊断人员可以及时进行诊治。这样,构建农作物病虫害智能防治方案,能够有效防治农作物被病虫害侵害,从而提高农作物的产量和品质。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种农作物病虫害智能防治系统及其方法。
背景技术
农作物病虫害是我国的主要农业灾害之一,它具有种类多、影响大、并时常暴发成灾的特点,其发生范围和严重程度对我国国民经济、特别是农业生产常造成重大损失。我国农作物常见的有以下种类的病虫害:稻飞虱、白粉病、玉米螟、棉铃虫等,已成为严重影响我国农业生产的重大病虫害。由于传统的病虫害防治是人工进行检测判断,存在发现问题不够及时,效率较低。
因此,期待一种优化的农作物病虫害智能防治方案,采集农作物病虫害图片得到分类结果,分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种农作物病虫害智能防治系统及其方法,其获取由摄像头采集的农作物病虫害图像,进一步用基于深度神经网络模型的人工智能技术来通过使用空间注意力的卷积神经网络模型和上下文编码器进行特征提取,以得到用于表示病虫害的种类的分类结果,并提醒诊断人员可以及时进行诊治。这样,构建农作物病虫害智能防治方案,能够有效防治农作物被病虫害侵害,从而提高农作物的产量和品质。
根据本申请的一个方面,提供了一种农作物病虫害智能防治系统,其包括:
图像采集模块,用于获取由摄像头采集的农作物病虫害图像;
空间注意力模块,用于将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图;
特征展开模块,用于将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量;
上下文编码模块,用于将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量;以及
分类结果生成模块,用于将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
在上述农作物病虫害智能防治系统中,所述空间注意力模块,包括:卷积编码单元,用于使用所述卷积神经网络模型的卷积编码部分对所述农作物病虫害图像进行深度卷积编码以得到初始卷积特征图;注意力单元,用于将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图;激活单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,联合单元,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述农作物病虫害特征图。
在上述农作物病虫害智能防治系统中,所述特征展开模块,包括:用于对所述农作物病虫害特征图的沿通道维度的各个特征矩阵进行沿着行向量或者列向量的展开以得到所述多个农作物病虫害局部特征向量。
在上述农作物病虫害智能防治系统中,所述上下文编码模块,包括:排列单元,用于将所述多个农作物病虫害局部特征向量排列为输入向量;转化单元,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;自注意单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;标准化处理单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;自注意力特征提取单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及,级联单元,用于将所述自注意力特征矩阵与以所述多个农作物病虫害局部特征向量中各个农作物病虫害局部特征向量作为值向量分别进行相乘以得到所述多个农作物病虫害特征向量,将所述多个农作物病虫害特征向量级联以得到所述农作物病虫害全局特征向量。
在上述农作物病虫害智能防治系统中,所述分类结果生成模块,包括:全连接编码单元,用于使用所述分类器的多个全连接层对所述农作物病虫害全局特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种农作物病虫害智能防治方法,其包括:
获取由摄像头采集的农作物病虫害图像;
将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图;
将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量;
将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量;以及
将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
与现有技术相比,本申请提供的一种农作物病虫害智能防治系统及其方法,其获取由摄像头采集的农作物病虫害图像,进一步用基于深度神经网络模型的人工智能技术来通过使用空间注意力的卷积神经网络模型和上下文编码器进行特征提取,以得到用于表示病虫害的种类的分类结果,并提醒诊断人员可以及时进行诊治。这样,构建农作物病虫害智能防治方案,能够有效防治农作物被病虫害侵害,从而提高农作物的产量和品质。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的农作物病虫害智能防治系统的框图。
图2为根据本申请实施例的农作物病虫害智能防治系统的架构示意图。
图3为根据本申请实施例的农作物病虫害智能防治系统中空间注意力模块的框图。
图4为根据本申请实施例的农作物病虫害智能防治系统中上下文编码模块的框图.
图5为根据本申请实施例的农作物病虫害智能防治方法的流程图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,农作物病虫害是影响农业的一大重要因素,种类较多,一旦发生会危及农作物的品质,但由于传统的农作物病虫害防治都是由人工进行发现并诊治,会错过最佳的诊治时间,效率较低。因此,期待一种优化的农作物病虫害智能防治方案。
针对上述技术问题,本申请的申请人通过采集农作物病虫害图片并进行特征提取得到分类结果,分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
相应地,在本申请的技术方案中,考虑到在农业生产中,很多病虫害会对农作物的生长和产量带来威胁。因此,在及时发现和治疗这些问题之前,获取农作物病虫害图像是非常重要的。通过摄像头采集到的农作物病虫害图像,可以让农民或相关专业人员更快速地了解农作物的生长状况,尤其是出现任何异常情况时,可以及时采取相应的防治措施,从而减少病虫害造成的损失。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
具体地,在本申请的技术方案中,首先,获取由摄像头采集的农作物病虫害图像。接着,考虑到空间注意力指的是在卷积神经网络中,对特征图进行重要性权值分配,在保留有用信息的前提下,削弱或忽略对分类结果没有贡献的区域。通过空间注意力的方法,可以让模型更加注重关键区域的特征提取,从而提高农作物病虫害特征图的准确性。具体来说,在农作物病虫害分类任务中,使用空间注意力技术可以使模型更好地聚焦于病虫害部位的特征提取,防止一些无关特征影响分类结果。例如,有些病虫害可能只存在于某个部位,而其他部位的特征则不具有分类意义,这时候就需要利用空间注意力机制,将网络的关注点集中在关键部位。因此,将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图。
然后,又考虑到在卷积神经网络中,特征图是由多个通道组成的。每一个通道提取到的是一种不同的特征信息,通过沿通道维度展开特征矩阵可以将每个通道提取出来的特征表示为一个向量,即农作物病虫害局部特征向量。通过这种方式,可以更好地对多个通道提取的特征进行处理和分析。例如,在农作物病虫害分类任务中,采用沿通道维度展开特征矩阵的方法可以将不同通道提取到的特征进行有效融合,从而得到更加全面、准确、具有区分性的农作物病虫害局部特征向量。另外,采用沿通道维度展开特征矩阵的方法还能够避免特征信息丢失,保留更多的有用特征信息,提高分类的准确性和可靠性。因此,将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量。
接着,考虑到上下文编码指的是在处理一个单独特征时,同时考虑到其周围的信息,并利用这些信息来进一步优化特征的表示。在农作物病虫害分类任务中,采用基于转换器的上下文编码器能够更好地提取全局特征向量,从而提高分类准确率。具体来说,在农作物病虫害分类任务中,不同局部特征向量之间可能存在着复杂的关联关系,如果仅仅单独地对每个局部特征向量进行处理,可能会导致信息缺失或者过多的噪声干扰。因此,利用上下文编码可以更好地利用周围信息,将不同局部特征向量融合成一个全局特征向量,使得分类结果更加准确和可靠。此外,基于转换器的上下文编码器还可以自适应地学习特征之间的相互作用规律,避免了人工特征工程的繁琐和难度。与传统特征提取方法相比,基于转换器的上下文编码器能够更好地利用局部特征之间的信息,提取更丰富、更有区分性的全局特征向量,使得分类效果更加出色。因此,将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量。
然后,考虑到在农作物病虫害分类任务中,分类器用于将提取到的全局特征向量映射到各个病虫害类别上。通过对不同类别之间的区分度进行学习和优化,可以实现对农作物病虫害的准确分类和诊断,并及时提醒诊断人员进行相应的治疗措施。因此,将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
特别地,在本申请的技术方案中,考虑到在训练模型时,数据中常常存在误差、噪声和不确定性,这些因素可能会影响模型的性能和准确性。因此,如果能够进一步地,考虑到数据的不确定性,将其纳入模型训练过程中进行优化,从而可以减少数据中的噪声和不确定因素,提高模型的鲁棒性和应用效果。同时,考虑在实际推断时,面临的数据往往是不完美的,存在着多样性和复杂性。如果能够平衡模型对数据的拟合程度和不确定性,也能更好地应对复杂的数据情况,提高模型的可靠性和预测能力。
基于此,在本申请的技术方案中,计算训练农作物病虫害全局特征向量的总参数概率性损失值,包括:计算所述训练农作物病虫害全局特征向量属于各个类别的后验概率P(yi|X),其中yi是类别标签,X是所述训练农作物病虫害全局特征向量;计算所述训练农作物病虫害全局特征向量属于各个类别yi的参数概率性损失值L(yi|X),其中,所述参数概率性损失值用于表示所述训练农作物病虫害全局特征向量X被错误地分到类别yi的分类损失值;基于所述后验概率P(yi|X)和所述参数概率性损失值,以如下公式计算所述训练农作物病虫害全局特征向量的总参数概率性损失值,其中,所述公式为:m为类别标签的总数,Eloss为所述训练农作物病虫害全局特征向量的总参数概率性损失值。
计算所述训练农作物病虫害全局特征向量的总参数概率性损失值,相当于在特征编码和特征分类解码之间引入一个隐变量层,使得所述训练农作物病虫害全局特征向量服从高斯分布或其他先验分布,并最小化重构误差和隐变量的先验分布与后验分布之间的散度,通过这样的方式,可以反映模型对数据的不确定性,可以避免过拟合和欠拟合的问题,从而提高模型的泛化能力,降低测试误差,增强模型的表达能力,捕捉数据的多样性和复杂性。
基于此,本申请提供了一种农作物病虫害智能防治系统,其包括:图像采集模块,用于获取由摄像头采集的农作物病虫害图像;空间注意力模块,用于将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图;特征展开模块,用于将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量;上下文编码模块,用于将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量;以及,分类结果生成模块,用于将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的农作物病虫害智能防治系统的框图。如图1所示,根据本申请实施例的农作物病虫害智能防治系统100,包括:图像采集模块110,用于获取由摄像头采集的农作物病虫害图像;空间注意力模块120,用于将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图;特征展开模块130,用于将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量;上下文编码模块140,用于将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量;以及,分类结果生成模块150,用于将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
图2为根据本申请实施例的农作物病虫害智能防治系统的架构示意图。如图2所示,首先,获取由摄像头采集的农作物病虫害图像。接着,将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图。然后,将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量。接着,将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量。最后,将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
在本申请实施例中,所述图像采集模块110,用于获取由摄像头采集的农作物病虫害图像。考虑到在农业生产中,很多病虫害会对农作物的生长和产量带来威胁。因此,在及时发现和治疗这些问题之前,获取农作物病虫害图像是非常重要的。通过摄像头采集到的农作物病虫害图像,可以让农民或相关专业人员更快速地了解农作物的生长状况,尤其是出现任何异常情况时,可以及时采取相应的防治措施,从而减少病虫害造成的损失。
在本申请实施例中,所述空间注意力模块120,用于将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图。考虑到空间注意力指的是在卷积神经网络中,对特征图进行重要性权值分配,在保留有用信息的前提下,削弱或忽略对分类结果没有贡献的区域。通过空间注意力的方法,可以让模型更加注重关键区域的特征提取,从而提高农作物病虫害特征图的准确性。具体来说,在农作物病虫害分类任务中,使用空间注意力技术可以使模型更好地聚焦于病虫害部位的特征提取,防止一些无关特征影响分类结果。例如,有些病虫害可能只存在于某个部位,而其他部位的特征则不具有分类意义,这时候就需要利用空间注意力机制,将网络的关注点集中在关键部位。
图3为根据本申请实施例的农作物病虫害智能防治系统中空间注意力模块的框图。具体地,在本申请实施例中,如图3所示,所述空间注意力模块120,包括:卷积编码单元121,用于使用所述卷积神经网络模型的卷积编码部分对所述农作物病虫害图像进行深度卷积编码以得到初始卷积特征图;注意力单元122,用于将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图;激活单元123,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;联合单元124,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述农作物病虫害特征图。
在本申请实施例中,所述特征展开模块130,用于将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量。考虑到在卷积神经网络中,特征图是由多个通道组成的。每一个通道提取到的是一种不同的特征信息,通过沿通道维度展开特征矩阵可以将每个通道提取出来的特征表示为一个向量,即农作物病虫害局部特征向量。通过这种方式,可以更好地对多个通道提取的特征进行处理和分析。例如,在农作物病虫害分类任务中,采用沿通道维度展开特征矩阵的方法可以将不同通道提取到的特征进行有效融合,从而得到更加全面、准确、具有区分性的农作物病虫害局部特征向量。另外,采用沿通道维度展开特征矩阵的方法还能够避免特征信息丢失,保留更多的有用特征信息,提高分类的准确性和可靠性。
具体地,在本申请实施例中,所述特征展开模块,包括:用于对所述农作物病虫害特征图的沿通道维度的各个特征矩阵进行沿着行向量或者列向量的展开以得到所述多个农作物病虫害局部特征向量。
在本申请实施例中,所述上下文编码模块140,用于将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量。考虑到上下文编码指的是在处理一个单独特征时,同时考虑到其周围的信息,并利用这些信息来进一步优化特征的表示。在农作物病虫害分类任务中,采用基于转换器的上下文编码器能够更好地提取全局特征向量,从而提高分类准确率。具体来说,在农作物病虫害分类任务中,不同局部特征向量之间可能存在着复杂的关联关系,如果仅仅单独地对每个局部特征向量进行处理,可能会导致信息缺失或者过多的噪声干扰。因此,利用上下文编码可以更好地利用周围信息,将不同局部特征向量融合成一个全局特征向量,使得分类结果更加准确和可靠。此外,基于转换器的上下文编码器还可以自适应地学习特征之间的相互作用规律,避免了人工特征工程的繁琐和难度。与传统特征提取方法相比,基于转换器的上下文编码器能够更好地利用局部特征之间的信息,提取更丰富、更有区分性的全局特征向量,使得分类效果更加出色。
图4为根据本申请实施例的农作物病虫害智能防治系统中上下文编码模块的框图。具体地,在本申请实施例中,如图4所示,所述上下文编码模块140,包括:排列单元141,用于将所述多个农作物病虫害局部特征向量排列为输入向量;转化单元142,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;自注意单元143,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;标准化处理单元144,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;自注意力特征提取单元145,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及,级联单元146,用于将所述自注意力特征矩阵与以所述多个农作物病虫害局部特征向量中各个农作物病虫害局部特征向量作为值向量分别进行相乘以得到所述多个农作物病虫害特征向量,将所述多个农作物病虫害特征向量级联以得到所述农作物病虫害全局特征向量。
在本申请实施例中,所述分类结果生成模块150,用于将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。考虑到在农作物病虫害分类任务中,分类器用于将提取到的全局特征向量映射到各个病虫害类别上。通过对不同类别之间的区分度进行学习和优化,可以实现对农作物病虫害的准确分类和诊断,并及时提醒诊断人员进行相应的治疗措施。
具体地,在本申请实施例中,所述分类结果生成模块,包括:全连接编码单元,用于使用所述分类器的多个全连接层对所述农作物病虫害全局特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
值得一提的是,本领域普通技术人员应知晓,在应用深度神经网络模型进行推断之前,需先对深度神经网络模型进行训练以使得所述深度神经网络能够实现特定的函数功能。
也就是,在本申请的技术方案中,所述农作物病虫害智能防治系统,还包括:用于对所述使用空间注意力的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练的训练模块。
具体地,在本申请实施例中,所述训练模块,包括:训练图像采集单元,用于获取由摄像头采集的训练农作物病虫害图像;训练空间注意力单元,用于将所述训练农作物病虫害图像通过所述使用空间注意力的卷积神经网络模型以得到训练农作物病虫害特征图;训练特征展开单元,用于将所述训练农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个训练农作物病虫害局部特征向量;训练上下文编码单元,用于将所述多个训练农作物病虫害局部特征向量通过所述基于转换器的上下文编码器以得到训练农作物病虫害全局特征向量;分类损失函数计算单元,用于将所述训练农作物病虫害全局特征向量通过所述分类器以得到分类损失函数值;总参数概率性损失计算单元,用于计算所述训练农作物病虫害全局特征向量的总参数概率性损失值;以及,模型训练单元,用于以所述分类损失函数值和所述总参数概率性损失值的加权和作为损失函数值对所述使用空间注意力的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。
特别地,在本申请的技术方案中,考虑到在训练模型时,数据中常常存在误差、噪声和不确定性,这些因素可能会影响模型的性能和准确性。因此,如果能够进一步地,考虑到数据的不确定性,将其纳入模型训练过程中进行优化,从而可以减少数据中的噪声和不确定因素,提高模型的鲁棒性和应用效果。同时,考虑在实际推断时,面临的数据往往是不完美的,存在着多样性和复杂性。如果能够平衡模型对数据的拟合程度和不确定性,也能更好地应对复杂的数据情况,提高模型的可靠性和预测能力。
更具体地,在本申请实施例中,所述总参数概率性损失计算单元,包括:后验概率计算子单元,用于计算所述训练农作物病虫害全局特征向量属于各个类别的后验概率P(yi|X),其中yi是类别标签,X是所述训练农作物病虫害全局特征向量;参数概率计算子单元,用于计算所述训练农作物病虫害全局特征向量属于各个类别yi的参数概率性损失值L(yi|X),其中,所述参数概率性损失值用于表示所述训练农作物病虫害全局特征向量X被错误地分到类别yi的分类损失值;总参数概率计算子单元,用于基于所述后验概率P(yi|X)和所述参数概率性损失值,以如下公式计算所述训练农作物病虫害全局特征向量的总参数概率性损失值,其中,所述公式为:m为类别标签的总数,Eloss为所述训练农作物病虫害全局特征向量的总参数概率性损失值。
计算所述训练农作物病虫害全局特征向量的总参数概率性损失值,相当于在特征编码和特征分类解码之间引入一个隐变量层,使得所述训练农作物病虫害全局特征向量服从高斯分布或其他先验分布,并最小化重构误差和隐变量的先验分布与后验分布之间的散度,通过这样的方式,可以反映模型对数据的不确定性,可以避免过拟合和欠拟合的问题,从而提高模型的泛化能力,降低测试误差,增强模型的表达能力,捕捉数据的多样性和复杂性。
综上,基于本申请实施例的农作物病虫害智能防治系统100被阐明,其获取由摄像头采集的农作物病虫害图像,进一步用基于深度神经网络模型的人工智能技术来通过使用空间注意力的卷积神经网络模型和上下文编码器进行特征提取,以得到用于表示病虫害的种类的分类结果,并提醒诊断人员可以及时进行诊治。这样,构建农作物病虫害智能防治方案,能够有效防治农作物被病虫害侵害,从而提高农作物的产量和品质。
示例性方法
图5为根据本申请实施例的农作物病虫害智能防治方法的流程图。如图5所示,根据本申请实施例的农作物病虫害智能防治方法,包括:S110,获取由摄像头采集的农作物病虫害图像;S120,将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图;S130,将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量;S140,将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量;以及,S150,将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
在一个示例中,在上述农作物病虫害智能防治方法中,将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图,包括:使用所述卷积神经网络模型的卷积编码部分对所述农作物病虫害图像进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及。计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述农作物病虫害特征图。
在一个示例中,在上述农作物病虫害智能防治方法中,将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量,包括:用于对所述农作物病虫害特征图的沿通道维度的各个特征矩阵进行沿着行向量或者列向量的展开以得到所述多个农作物病虫害局部特征向量。
在一个示例中,在上述农作物病虫害智能防治方法中,将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量,包括:将所述多个农作物病虫害局部特征向量排列为输入向量;将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及,将所述自注意力特征矩阵与以所述多个农作物病虫害局部特征向量中各个农作物病虫害局部特征向量作为值向量分别进行相乘以得到所述多个农作物病虫害特征向量,将所述多个农作物病虫害特征向量级联以得到所述农作物病虫害全局特征向量。
在一个示例中,在上述农作物病虫害智能防治方法中,将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治,包括:使用所述分类器的多个全连接层对所述农作物病虫害全局特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述农作物病虫害智能防治方法中的各个步骤的具体操作已经在上面参考图1到图4的农作物病虫害智能防治系统的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理模块(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理模块,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的农作物病虫害智能防治系统及其方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如农作物病虫害图像等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的农作物病虫害智能防治方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的农作物病虫害智能防治方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种农作物病虫害智能防治系统,其特征在于,包括:
图像采集模块,用于获取由摄像头采集的农作物病虫害图像;
空间注意力模块,用于将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图;
特征展开模块,用于将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量;
上下文编码模块,用于将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量;以及
分类结果生成模块,用于将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
2.根据权利要求1所述的农作物病虫害智能防治系统,其特征在于,所述空间注意力模块,包括:
卷积编码单元,用于使用所述卷积神经网络模型的卷积编码部分对所述农作物病虫害图像进行深度卷积编码以得到初始卷积特征图;
注意力单元,用于将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图;
激活单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,
联合单元,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述农作物病虫害特征图。
3.根据权利要求2所述的农作物病虫害智能防治系统,其特征在于,所述特征展开模块,包括:用于对所述农作物病虫害特征图的沿通道维度的各个特征矩阵进行沿着行向量或者列向量的展开以得到所述多个农作物病虫害局部特征向量。
4.根据权利要求3所述的农作物病虫害智能防治系统,其特征在于,所述上下文编码模块,包括:
排列单元,用于将所述多个农作物病虫害局部特征向量排列为输入向量;
转化单元,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;
自注意单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
标准化处理单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
自注意力特征提取单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;以及
级联单元,用于将所述自注意力特征矩阵与以所述多个农作物病虫害局部特征向量中各个农作物病虫害局部特征向量作为值向量分别进行相乘以得到所述多个农作物病虫害特征向量,将所述多个农作物病虫害特征向量级联以得到所述农作物病虫害全局特征向量。
5.根据权利要求4所述的农作物病虫害智能防治系统,其特征在于,所述分类结果生成模块,包括:
全连接编码单元,用于使用所述分类器的多个全连接层对所述农作物病虫害全局特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
6.根据权利要求5所述的农作物病虫害智能防治系统,其特征在于,还包括:用于对所述使用空间注意力的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练的训练模块;
其中,所述训练模块,包括:
训练图像采集单元,用于获取由摄像头采集的训练农作物病虫害图像;
训练空间注意力单元,用于将所述训练农作物病虫害图像通过所述使用空间注意力的卷积神经网络模型以得到训练农作物病虫害特征图;
训练特征展开单元,用于将所述训练农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个训练农作物病虫害局部特征向量;
训练上下文编码单元,用于将所述多个训练农作物病虫害局部特征向量通过所述基于转换器的上下文编码器以得到训练农作物病虫害全局特征向量;
分类损失函数计算单元,用于将所述训练农作物病虫害全局特征向量通过所述分类器以得到分类损失函数值;
总参数概率性损失计算单元,用于计算所述训练农作物病虫害全局特征向量的总参数概率性损失值;以及
模型训练单元,用于以所述分类损失函数值和所述总参数概率性损失值的加权和作为损失函数值对所述使用空间注意力的卷积神经网络模型、所述基于转换器的上下文编码器和所述分类器进行训练。
7.根据权利要求6所述的农作物病虫害智能防治系统,其特征在于,所述总参数概率性损失计算单元,包括:
后验概率计算子单元,用于计算所述训练农作物病虫害全局特征向量属于各个类别的后验概率P(yi|X),其中yi是类别标签,X是所述训练农作物病虫害全局特征向量;
参数概率计算子单元,用于计算所述训练农作物病虫害全局特征向量属于各个类别yi的参数概率性损失值L(yi|X),其中,所述参数概率性损失值用于表示所述训练农作物病虫害全局特征向量X被错误地分到类别yi的分类损失值;以及
总参数概率计算子单元,用于基于所述后验概率P(yi|X)和所述参数概率性损失值,以如下公式计算所述训练农作物病虫害全局特征向量的总参数概率性损失值,其中,所述公式为:m为类别标签的总数,Eloss为所述训练农作物病虫害全局特征向量的总参数概率性损失值。
8.一种农作物病虫害智能防治方法,其特征在于,包括:
获取由摄像头采集的农作物病虫害图像;
将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图;
将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量;
将所述多个农作物病虫害局部特征向量通过基于转换器的上下文编码器以得到农作物病虫害全局特征向量;以及
将所述农作物病虫害全局特征向量通过分类器以得到分类结果,所述分类结果用于表示病虫害的种类,并提醒诊断人员可以及时进行诊治。
9.根据权利要求8所述的农作物病虫害智能防治方法,其特征在于,将所述农作物病虫害图像通过使用空间注意力的卷积神经网络模型以得到农作物病虫害特征图,包括:
使用所述卷积神经网络模型的卷积编码部分对所述农作物病虫害图像进行深度卷积编码以得到初始卷积特征图;
将所述初始卷积特征图输入所述卷积神经网络模型的空间注意力部分以得到空间注意力图;
将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;
计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述农作物病虫害特征图。
10.根据权利要求9所述的农作物病虫害智能防治方法,其特征在于,将所述农作物病虫害特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个农作物病虫害局部特征向量,包括:用于对所述农作物病虫害特征图的沿通道维度的各个特征矩阵进行沿着行向量或者列向量的展开以得到所述多个农作物病虫害局部特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310837300.4A CN117036933A (zh) | 2023-07-08 | 2023-07-08 | 农作物病虫害智能防治系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310837300.4A CN117036933A (zh) | 2023-07-08 | 2023-07-08 | 农作物病虫害智能防治系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117036933A true CN117036933A (zh) | 2023-11-10 |
Family
ID=88621605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310837300.4A Pending CN117036933A (zh) | 2023-07-08 | 2023-07-08 | 农作物病虫害智能防治系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036933A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117643252A (zh) * | 2024-01-12 | 2024-03-05 | 西藏田硕农业科技有限公司 | 一种克服半夏连作障碍的设施栽培方法 |
-
2023
- 2023-07-08 CN CN202310837300.4A patent/CN117036933A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117643252A (zh) * | 2024-01-12 | 2024-03-05 | 西藏田硕农业科技有限公司 | 一种克服半夏连作障碍的设施栽培方法 |
CN117643252B (zh) * | 2024-01-12 | 2024-05-24 | 西藏田硕农业科技有限公司 | 一种克服半夏连作障碍的设施栽培方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bargshady et al. | Enhanced deep learning algorithm development to detect pain intensity from facial expression images | |
Zhang et al. | Predicting failures of vision systems | |
CN116152267B (zh) | 基于对比性语言图像预训练技术的点云实例分割方法 | |
US20220019870A1 (en) | Verification of classification decisions in convolutional neural networks | |
CA3145241A1 (en) | Machine learning systems and methods for improved localization of image forgery | |
CN110222718B (zh) | 图像处理的方法及装置 | |
US20220092478A1 (en) | Combining data driven models for classifying data | |
CN117036933A (zh) | 农作物病虫害智能防治系统及其方法 | |
Wang et al. | Few-shot vegetable disease recognition model based on image text collaborative representation learning | |
CN116343301B (zh) | 基于人脸识别的人员信息智能校验系统 | |
CN111738074B (zh) | 基于弱监督学习的行人属性识别方法、系统及装置 | |
CN111291695B (zh) | 人员违章行为识别模型训练方法、识别方法及计算机设备 | |
Islam et al. | Performance prediction of tomato leaf disease by a series of parallel convolutional neural networks | |
CN112419202A (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
CN116308754A (zh) | 一种银行信贷风险预警系统及其方法 | |
CN110533184B (zh) | 一种网络模型的训练方法及装置 | |
Monigari et al. | Plant leaf disease prediction | |
Rajpoot et al. | Automatic early detection of rice leaf diseases using hybrid deep learning and machine learning methods | |
WO2022063076A1 (zh) | 对抗样本的识别方法及装置 | |
Zhang et al. | MCHA-Net: A multi-end composite higher-order attention network guided with hierarchical supervised signal for high-resolution remote sensing image change detection | |
Mehta et al. | Revolutionizing Cassava Leaf Disease Detection with Federated Learning CNN and Multi-Level Severity Assessment | |
US20210264300A1 (en) | Systems and methods for labeling data | |
CN117316462A (zh) | 一种医疗数据管理方法 | |
CN116758482A (zh) | 基于无人机的农业种植管理系统及其方法 | |
Nurhanna et al. | Multi-class support vector machine application in the field of agriculture and poultry: A review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |