(19)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 202210640236.6 (22)申请日 2022.06.08 (71)申请人 合肥工业大 学 地址 230000 安徽省合肥市包河区屯溪路 193号 (72)发明人 李帷韬　吴刚　孙伟　李奇越　 邓雅丽　彭思瑶　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 郑浩 (51)Int.Cl. G06V 20/68(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多层级自适应注意力的农作物病 虫害识别方法 (57)摘要 一种基于多层级自适应注意力的农作物病 虫害识别方法， 应用于图像识别技术领域， 解决 传统卷积神经网络模型对相似度很高的农作物 病虫害图像识别 度低的问题； 通过构建基于注意 力机制的神经网络模型， 构建多层级识别网络， 使用模糊积分对多层次网络输出进行特征融合 并输出检测结果； 在网络中引入注意力机制， 增 强网络分类相似样本的能力， 对多层级网络模型 集识别结果进行融合， 提升模型精度， 克服单一 网络模型适用性低的现象， 能够根据实际需要调 整参数， 满足准确化快速识别农作物病虫害的实 际需求， 通过交错组卷积优化卷积计算量， 减少 模型推理时间； 通过训练不同层级网络模型， 通 过模糊积分融合多模型识别结果， 提高了农作物 病虫害的识别精度。 权利要求书3页 说明书7页 附图3页 CN 115050022 A 2022.09.13 CN 115050022 A 1.一种基于多层级自适应注意力的农作物病虫害识别方法， 其特征在于， 包括以下步 骤： S1、 对农作物病虫害图像集进行 预处理， 得到预处 理后的农作物病虫害图像集； S2、 初始化q＝1， 将所述预处理后的农作物病虫害图像集进行分类， 分为农作物病虫害 第q级训练图像集Tq和农作物病虫害测试图像集V； S3、 构建基于交错组卷积注意力模块的神经网络模型； S4、 构建多层级识别网络； S5、 使用模糊积分对多层次网络 输出进行 特征融合， 并输出检测结果。 2.根据权利要求1所述的一种基于多层级自适应注意力的农作物病虫害识别方法， 其 特征在于， 步骤S1中所述的对农作物病 虫害图像集进行预处理的方法为： 对农作物病虫害 图像集中的图像进行扩充增强， 然后再将图像统一调整为2 24*224大小。 3.根据权利要求2所述的一种基于多层级自适应注意力的农作物病虫害识别方法， 其 特征在于， 步骤S3中所述的构建基于交错组卷积注意力模块的神经网络模型的方法如下： S3.1、 基于SE ‑Resnet50卷积神经网络的结构设计特征提取网络f， 所述的特征提取网 络f由普通卷积模块A和4种交错组卷积注 意力模块B、 C、 D、 E以及全连接层fc级 联组成， 用于 网络特征提取； S3.2、 初始化i＝1， 从第q级训练集合Tq中选取第i张输入图像xi， 输入所述普通卷积模 块A的输入层， 然后经过所述交错组卷积注 意力模块B、 C、 D、 E， 并输入全连接层fc， 得到输入 特征图 后再经过softmax分类器获得输入图像x的分类结果z， O为特征 向量的维度。 4.根据权利要求3所述的一种基于多层级自适应注意力的农作物病虫害识别方法， 其 特征在于， 所述的特征提取网络f的输入层即为普通卷积模块A的输入层， 普通卷积模块A后 连接3个交错组卷积注 意力模块B， 交错组卷积注意力模块B后连接3个交错组卷积注意力模 块C， 交错组卷积注意力模块C后连接(3+q)个交错组卷积注意力模块D， 交错组卷积注意力 模块D后连接 3个交错组卷积注意力模块E； 交错组卷积注意力模块E与全连接层fc相连。 5.根据权利要求4所述的一种基于多层级自适应注意力的农作物病虫害识别方法， 其 特征在于， 步骤S4中所述的构建多层级识别网络的方法如下： S4.1、 i＝i+1， 重复步骤S3.2， 将第q级训练集合Tq中将剩余所有图像， 依次作为输入图 像xi， 从而训练出第q级模 型Mq， 并得到第q级训练集合Tq中所有图像最 终的特征图及分类结 果； S4.2、 建立 最终的特 征图的评测指标。 6.根据权利要求5所述的一种基于多层级自适应注意力的农作物病虫害识别方法， 其 特征在于， 步骤S4.2中所述的建立 最终的特 征图的评测指标的方法如下： S4.2.1、 令i＝0,基于潜在语义分析将特征图集Fiq映射为语义空间向量 计算第q级 网络中xi的语义误差距离 权　利　要　求　书 1/3 页 2 CN 115050022 A 2式中， 表示与xi识别结果同类别的训练样本集的个数； 表示与xi识别结果同类别 的训练样本集的语义状态特 征； S4.2.2、 基于信息熵理论， 农作物病虫害测试样本xi识别结果的语义误差信息 可定义 为： S4.2.3、 判断所述语义误差信 息 大于所设定的阈值是否成立， 若成立， 则表示所述输 入图像xi适用于第q级模型Mq， i＝i+1并返回步骤S4.2.1， 否则， 将输入图像xi放入第q+1级 训练集Tq+1中； 直到第q级训练集合Tq中所有图像都测试完成， 并得到最终的第q+1级训练集 Tq+1； S4.2.4、 判断q是否等于qmax， 若成立， 表示所有层级的网络模型都训练完毕， 执行步骤 S5， 否则， 令q＝q+1， 返回步骤S3.1， 得到第q级农作物病 虫害识别模型Mq和第q+1级训练集 Tq+1。 7.根据权利要求6所述的一种基于多层级自适应注意力的农作物病虫害识别方法， 其 特征在于， 步骤S5中所述的使用模糊积分对多层次网络输出进行特征融合， 并输出检测结 果的方法具体如下： 设 为针对不同的农作物病虫害样本的学习模型集构建的基于模糊积 分的多模型融合联合判别机制； S5.1、 利用式(3)计算 参数w： 式(3)中， vj表示训练模型Mj对于农作物病虫害识别的重要性； S5.2、 利用式(4)计算待识别农作物病虫害图像集合Tj对第j级农作物病虫害识别模型 模糊密度vw(Tj)： vw(Tj)＝vj+vw(Tj‑1)+w·vj·vw(Tj‑1)                  (4) 式(4)中， vw(Tj‑1)表示第j ‑1级农作物病虫害识别模型的模糊密度； 当j＝1时， 令vw (Tj‑1)＝v1； S5.3、 利用式(5)得到待识别农作物病虫害图像x属于类别lx概率 并从所对应的类别 概率中选取最大值所对应的类别作为待识别农作物病虫害图像的最终类别； 式(5)中， 表示第j级识别网络的最终结果Yj里属于类别lx的概率， ∨代表取两者权　利　要　求　书 2/3 页 3 CN 115050022 A 3