(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 202210716513.7 (22)申请日 2022.06.22 (71)申请人 安徽省农业科 学院农业经济与信息 研究所 地址 230031 安徽省合肥市庐阳区农科南 路40号 (72)发明人 钱蓉　朱静波　董伟　孔娟娟　 张萌　王忠培　程泽凯　刘梅芳　 (74)专利代理 机构 合肥国和专利代理事务所 (普通合伙) 34131 专利代理师 张祥骞 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/68(2022.01) G06V 10/42(2022.01)G06V 10/44(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 基于注意力特征融合的轻量级农作物病害 图像识别方法 (57)摘要 本发明提供了一种基于注意力特征融合的 轻量级农作物病害图像识别方法。 针对基于卷积 神经网络的农作物病害识别模型参数量大， 计算 量高的问题， 提出了一种基于轻量级注意力特征 融合网络的农作物病害识别模型。 该模型以 ResNet18为基础网络模型， 使用轻量级残差块 (DSGResNet  block)和倒残 差替换基础网络模型 ResNet18中的残差块， 再使用注意力特征融合模 块替换模型中的特征融合模块， 相对于现有技术 中的ResNet18模型大大降低了模型的参数量和 计算量， 同时提高了模型的农作物病害识别能 力。 权利要求书2页 说明书10页 附图5页 CN 115131662 A 2022.09.30 CN 115131662 A 1.一种基于注意力特征融合的轻量级农作物病害图像识别方法,其特征在于， 所述方 法包括： S1， 获取ResNet18模型作为基础网络模型， 对所述ResNet18模型添加轻量级残差块、 倒 残差块和AF F模块， 形成基于注意力特 征融合网络模型D SGIRseNet_AF F； S2， 根据所述注意力特征融合网络模型DSGIRseNet_AFF， 对输入的农作物图像执行病 害识别； 其中， 所述对所述ResNet18模型 添加轻量级残差块、 倒残差块和AF F模块， 包括： S11， 将所述ResNet18模型的中的第一残差块和第二残差块替换为倒残差块， 将所述 ResNet18模型的中的第三残差块和第四残差块 替换为轻量级残差块； S12， 将所述第一残差块、 第二残差块、 第三残差块和第四残差块中的特征融合模块替 换为注意力特 征融合AF F模块。 2.根据权利要求1所述的基于注意力特征融合的轻量级农作物病害图像识别方法,其 特征在于， 所述轻量级残差块是由深度可分离卷积层D SC和分组卷积层GC构成； 其中， 深度可分离卷积层DSC分为两层， 一层是使用与输入通道数相同的过滤器分别对 单个通道进 行卷积， 另一层是使用1*1卷积对第一层输出的特征进 行合并， 从而获得新的输 出； 所述深度可分离卷积层DSC输入特征图尺寸为DF×DF×M， 再经过深度卷积和逐点卷积 得到尺寸为DF×DF×N的输出特征图； 其卷积核尺寸分别为DK×DK、 1×1， 则深度可分离卷积 的参数量和计算 量计算如下： ParamsDSC＝Dk·Dk·M+1·1·M·N ＝DK2M+MN FLOPsDSC＝Dk·Dk·M·DF·DF+1·1·M·N·DF·DF·DF ＝DK2MDF2+MNDF2 其中， DF、 DF分别代表特征图的宽和高， DK、 DK分别代表卷积核的宽和高； M、 N分别为输入 和输出特征图的通道数。 3.根据权利要求2所述的基于注意力特征融合的轻量级农作物病害图像识别方法,其 特征在于， 所述分组卷积层GC通过对输入的多通道特征图进行分组， 再使用分组后的 filter对相应的分组进行 卷积， 最后合并得到 输出特征图； 分组卷积层GC其fi lter尺寸变为M /g×DK×DK， 参数量和计算 量计算如下： 其中， g表示分组数， M表示输入特 征图通道数， M /g表示分组后卷积核的通道数。 4.根据权利要求3所述的基于注意力特征融合的轻量级农作物病害图像识别方法,其 特征在于， 所述倒残差块通过使用3*3的DW卷积， 在倒残差块的前两个卷积层中， 使用ReLU6 作为激活函数： ReLU6＝mi n(max(0,x),6)权　利　要　求　书 1/2 页 2 CN 115131662 A 2其中， x代 表输入元 素； 在倒残差块的线性瓶颈结构中， 利用1*1的逐点卷积将高维特征信息映射到低维空间 中； 在输出低维特 征时， 选择线性激活函数来 替代ReLU激活函数， 避免特 征信息的损失。 5.根据权利要求3或4所述的基于注意力特征融合的轻量级农作物病 害图像识别方法, 其特征在于， 所述注 意力特征融合AFF模块在 全局通道注意力的基础上， 增加了提取局部特 征的分支， 通过逐点卷积来获取多尺度上下文特征， 并在注意力模块内完成了局部和全局 特征的融合； 其中， 全局通道上 下文信息G(X)∈RC×H×W、 局部通道上 下文信息L(X)∈RC×H×W计算如下： G(X)＝B(PWCo nv2( δ(B(PWCo nv1(GAP(X)))))) L(X)＝B(PWCo nv2( δ(B(PWCo nv1(X))))) 其中， GAP代表全局平局池化， δ是ReLU激活函数， PWConv1和PWConv2代表逐点卷积， 其 filter尺寸分别为为 和C×1×1； X表示输入元素， C为通道数， H表示特征图高， W 特征图宽， r 代表通道缩 减倍率。 对于给定 两个特征图X,Y∈RC×H×W， 注意力特 征融合可以表示 为： 其中， Z∈RC×H×W是加权特征融合后的输出， σ 是Sigmoid激活函数， ⊕表示广播加法， 表示对应 元素乘法， 表示AFF生成的融合通道权重， 用来与输入特征图 进行加权 。 6.一种基于注意力特征融合的轻量级农作物病害图像识别装置,其特征在于， 所述装 置包括注意力特 征融合网络模型构建模块以及识别模块； 注意力特征融合网络模型构建模块， 用于获取ResNet18模型作为基础网络模型， 对所 述ResNet18模 型添加轻量级残差块、 倒残差块和AFF模块， 形成基于注 意力特征融合网络模 型DSGIRseNet_AF F； 识别模块， 用于根据所述注意力特征融合网络模型DSGIRseNet_AFF， 对输入的农作物 图像执行病害识别； 所述注意力特征融合网络模型构 建模块， 还用于将所述ResNet 18模型的中的第一残差 块和第二残差块替换为倒残差块， 将所述 ResNet18模 型的中的第三残差块和第四残差块替 换为轻量级残差块； 将所述第一残差块、 第二残差块、 第三残差块和第 四残差块中的特征融合模块替换为 注意力特 征融合AF F模块。 7.一种存储介质， 所述存储介质存储有计算机程序； 其特征在于， 所述程序由处理器加 载并执行以实现如权利要求 1‑5任一项所述的基于注意力特征融合的轻量级农作 物病害图 像识别方法步骤。权　利　要　求　书 2/2 页 3 CN 115131662 A 3