一种早期松材线虫病害识别方法及识别系统

本发明涉及一种早期松材线虫病害识别方法及识别系统，属于林业病虫害监测。

背景技术：

1、松材线虫是一种对松树造成严重危害的害虫，其引发的病害会导致松树死亡。由于松材线虫病害在早期阶段不易被察觉，传统的监测方法往往难以实现早期识别，导致防治效果不佳。因此，开发一种能够准确、快速地识别早期松材线虫病害的方法对于保护森林资源具有重要意义。

2、近年来，随着深度学习的蓬勃发展，卷积神经网络在松材线虫检测方面展现出了广泛应用的潜力。借助大量的图像数据，这些网络能够自动学习并识别病虫害的特征，从而实现高效、准确的检测。卷积神经网络的局部连接和权重共享特性，使其在处理图像数据时既高效又稳健，不仅能够捕捉到图像中的局部特征，还能显著降低模型的复杂性，减少所需的参数数量。然而，随着网络深度的增加，需要更多的参数和计算资源，这对于资源受限场景下的部署具有挑战。此外，尽管卷积神经网络在提取局部特征方面表现出色，但在捕捉图像中的长距离依赖关系方面存在局限，对于检测那些具有全局性症状的病虫害，如由松材线虫引起的病害，检测精度不高。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种早期松材线虫病害识别方法及识别系统，通过松材线虫病害识别模型进行松材线虫的病害识别，不仅提高了模型识别的高效性和准确性，同时还降低了模型的参数数量和计算复杂度

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、一方面，本发明提供了一种早期松材线虫病害识别方法，包括如下步骤：

4、获取待识别的松材线虫病害图像；

5、将所述松材线虫病害图像输入至训练好的松材线虫病害识别模型中，得到对应的松材线虫病害识别结果；

6、其中，所述松材线虫病害识别模型包括：

7、输入模块，用于输入松材线虫病害图像；

8、shufflenetvit网络模块，用于根据所述松材线虫病害图像，进行特征提取，得到不同尺度的图像提取特征，包括第一提取特征、第二提取特征和第三提取特征；

9、第一eca注意力机制模块，用于根据所述第一提取特征基于eca注意力机制提取特征空间信息，生成第一加权特征；

10、第二eca注意力机制模块，用于根据所述第二提取特征，基于eca注意力机制提取特征空间信息，生成第二加权特征；

11、rfb感受野模块，用于根据所述第三提取特征，通过多分支卷积以扩大感受野，得到第三加权特征；

12、panet网络模块，用于根据所述第一加权特征、第二加权特征和第三加权特征，通过多尺度特征融合和信息传播，得到图像预测特征；

13、输出模块，用于根据所述图像预测特征，输出松材线虫病害识别结果。

14、进一步的，所述shufflenetvit网络模块包括：

15、预处理单元，用于根据所述松材线虫病害图像，进行卷积和最大池化操作，得到预处理特征；

16、第一特征提取单元，用于根据所述预处理特征，基于shufflenetv2网络和shufflevit网络进行局部和全局特征的提取，得到第一提取特征；

17、第二特征提取单元，用于根据所述第一提取特征，基于shufflenetv2网络和shufflevit网络进行局部和全局特征的提取，得到第二提取特征；

18、第三特征提取单元，用于根据所述第二提取特征，基于shufflenetv2网络和shufflevit网络进行局部和全局特征的提取，得到第三提取特征。

19、进一步的，所述rfb感受野模块中，得到第三加权特征，包括如下步骤：

20、根据所述第三提取特征，通过多分支卷积和连接卷积操作，得到处理后的提取特征；

21、根据所述处理后的提取特征，与基于shortcut跳跃连接后的第三提取特征进行融合操作，得到第三加权特征。

22、进一步的，所述panet网络模块包括：

23、多尺度特征融合单元，用于根据所述第一加权特征、第二加权特征和第三加权特征，通过上采样操作，得到第一融合特征、第二融合特征和第三融合特征；

24、第三eca注意力机制单元，用于根据所述第一融合特征，基于eca注意力机制提取特征空间信息，生成第三加权特征；

25、第四eca注意力机制单元，用于根据所述第二融合特征，基于eca注意力机制提取特征空间信息，生成第四加权特征；

26、第五eca注意力机制单元，用于根据所述第三融合特征，基于eca注意力机制提取特征空间信息，生成第五加权特征；

27、预测单元：根据所述第三融合特征、第三加权特征、第四加权特征和第五加权特征，通过下采样和卷积操作，得到图像预测特征。

28、进一步的，所述松材线虫病害识别模型的训练方法包括如下步骤：

29、获取训练集；

30、根据所述训练集，基于预设的总损失函数对预构建的松材线虫病害识别模型进行训练，直至满足预设的迭代终止条件输出训练好的松材线虫病害识别模型；所述总损失函数包括边界框损失函数、置信度损失函数和分类损失函数，

31、其中，所述总损失函数包括边界框损失函数、置信度损失函数和分类损失函数；

32、所述迭代终止条件为在连续n次迭代中总损失函数处于收敛则认定为训练终止，n≥300。

33、进一步的，所述总损失函数的表达式如下：

34、

35、式中，表示总损失函数；表示边界框损失函数的权重系数；表示边界框损失函数；表示置信度损失函数的权重系数；表示置信度损失函数；表示分类损失函数的权重系数；表示分类损失函数。

36、进一步的，所述边界框损失函数的表达式如下：

37、

38、式中，表示预测框与真实框的交并比；表示预测框和真实框中心点之间的欧氏距离；表示包围预测框和真实框的最小闭包对角线长度；表示用于平衡和形状一致性损失的平衡系数，；表示用于度量预测框和真实框长宽比一致性的参数，，表示真实框的长；表示真实框的宽；表示预测框的长；表示预测框的宽。

39、进一步的，所述置信度损失函数的表达式如下：

40、

41、式中，表示松材线虫病害图像中检测到的目标数量；表示第个目标是否为正样本的指示变量，为1表示正样本，为0表示负样本；表示第个目标的置信度预测值。

42、进一步的，所述分类损失函数的表达式如下：

43、

44、式中，表示类别数量；表示第个类别的真实标签；表示第个类别的预测概率。

45、另一方面，本发明提供了一种早期松材线虫病害识别系统，适用于上述的早期松材线虫病害识别方法，包括：

46、数据获取模组，用于获取待识别的松材线虫病害图像；

47、病害识别模组，用于将所述松材线虫病害图像输入至训练好的松材线虫病害识别模型中，得到对应的松材线虫病害识别结果；

48、其中，所述松材线虫病害识别模型包括：

49、输入模块，用于输入松材线虫病害图像；

50、shufflenetvit网络模块，用于根据所述松材线虫病害图像，进行特征提取，得到不同尺度的图像提取特征，包括第一提取特征、第二提取特征和第三提取特征；

51、第一eca注意力机制模块，用于根据所述第一提取特征基于eca注意力机制提取特征空间信息，生成第一加权特征；

52、第二eca注意力机制模块，用于根据所述第二提取特征，基于eca注意力机制提取特征空间信息，生成第二加权特征；

53、rfb感受野模块，用于根据所述第三提取特征，通过多分支卷积以扩大感受野，得到第三加权特征；

54、panet网络模块，用于根据所述第一加权特征、第二加权特征和第三加权特征，通过多尺度特征融合和信息传播，得到图像预测特征；

55、输出模块，用于根据所述图像预测特征，输出松材线虫病害识别结果。

56、与现有技术相比，本发明所达到的有益效果：

57、本发明的早期松材线虫病害识别方法及识别系统，通过松材线虫病害识别模型进行松材线虫的病害识别，不仅提高了模型识别的高效性和准确性，同时还降低了模型的参数数量和计算复杂度。具体的，基于shufflenetvit网络模块，使用点状卷积和通道重组技术，减少计算量和参数数量，提高推理速度，提高模型对特征的提取能力，增强模型对松材线虫病害的识别准确性。基于第一eca注意力机制模块、第二eca注意力机制模块和rfb感受野模块，提高模型对小目标的识别能力，进一步增强模型对松材线虫病害的识别准确性。基于panet网络模块，实现多尺度特征融合和信息传播，提高模型对多尺度目标的检测能力，增强模型对松材线虫病害的识别准确性。

技术特征：

1.一种早期松材线虫病害识别方法，其特征是，包括如下步骤：

2.根据权利要求1所述的早期松材线虫病害识别方法，其特征是，所述shufflenetvit网络模块包括：

3.根据权利要求1所述的早期松材线虫病害识别方法，其特征是，所述rfb感受野模块中，得到第三加权特征，包括如下步骤：

4.根据权利要求1所述的早期松材线虫病害识别方法，其特征是，所述panet网络模块包括：

5.根据权利要求1所述的早期松材线虫病害识别方法，其特征是，所述松材线虫病害识别模型的训练方法包括如下步骤：

6.根据权利要求5所述的早期松材线虫病害识别方法，其特征是，所述总损失函数的表达式如下：

7.根据权利要求6所述的早期松材线虫病害识别方法，其特征是，所述边界框损失函数的表达式如下：

8.根据权利要求6所述的早期松材线虫病害识别方法，其特征是，所述置信度损失函数的表达式如下：

9.根据权利要求6所述的早期松材线虫病害识别方法，其特征是，所述分类损失函数的表达式如下：

10.一种早期松材线虫病害识别系统，适用于权利要求1-9任一项所述的早期松材线虫病害识别方法，其特征是，包括：

技术总结
本发明公开了一种早期松材线虫病害识别方法及识别系统，包括：获取待识别的松材线虫病害图像，输入至训练好的松材线虫病害识别模型中，得到松材线虫病害识别结果。模型包括：ShuffleNetViT网络模块，用于根据松材线虫病害图像得到第一提取特征、第二提取特征和第三提取特征；第一ECA注意力机制模块，用于根据第一提取特征生成第一加权特征；第二ECA注意力机制模块，用于根据第二提取特征生成第二加权特征；RFB感受野模块，用于根据第三提取特征得到第三加权特征；PANet网络模块，用于融合加权特征，得到图像预测特征。本发明不仅提高了模型识别的高效性和准确性，同时还降低了模型的参数数量和计算复杂度。

技术研发人员：林海峰,何晗宇,吴靖婷,周宏平
受保护的技术使用者：南京林业大学
技术研发日：
技术公布日：2024/9/23