申请/专利权人:安徽师范大学
申请日:2023-11-20
公开(公告)日:2024-04-09
公开(公告)号:CN117853861A
主分类号:G06V10/82
分类号:G06V10/82;G06V20/68;G06V10/764;G06N3/0455;G06N3/0499;G06N3/082
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.26#实质审查的生效;2024.04.09#公开
摘要:本发明公开一种农作物病害识别模型的训练方法,具体如下:预训练阶段:输入的样本图像切分成包含多尺度层级信息的不重叠的图像块序列Sx,使用MAE模型对Transformer编码层网络进行训练;精调阶段:样本图像经层级图像分块序列化模块切分成包含多尺度层级信息的不重叠的图像块序列Sx,将拼接类别序列的图像块序列Zx输入引入序列重组单元的Transformer编码层网络,Transformer编码层输出训练后类别序列,基于类别序列预测样本图像的病害类别;使用层级图像分块序列化结构来提高MAE模型的层级信息提取能力;在精调阶段使用的序列重组操作,根据类别序列与图像块序列自注意力值选择并丢弃掉无意义的背景图像块序列,提高编码层网络的推理速度也让模型更加关注病害区域。
主权项:1.一种农作物病害识别模型的训练方法,其特征在于,农作物病害识别模型的训练模型包括:预训练模型及精调模型组成;预训练模型,由层级图像分块序列化模块和MAE模型组成,MAE模型由非对称的Transformer编码层网络和Transformer解码层网络构成;精调模型,由层级图像分块序列化模块及经预训练模型预训练好的Transformer编码层网络组成,并在部分Transformer编码层的多头自注意力层和前馈神经网络之间引入序列重组单元;农作物病害识别模型的训练方法具体如下:预训练阶段:输入的样本图像经序列化模块切分成包含多尺度层级信息的不重叠的图像块序列Sx,输入MAE模型,MAE模型通过未掩码图像块序列来预测掩码图像块序列,以实现对Transformer编码层网络进行训练;精调阶段:样本图像经层级图像分块序列化模块切分成包含多尺度层级信息的不重叠的图像块序列Sx,将带类别序列的图像块序列Zx输入精调模型中的Transformer编码层网络,对引入序列重组单元的Transformer编码层网络进行训练,Transformer编码层输出训练后类别序列,利用类别序列确定样本图像的病害类别,在网络损失收敛时的精调模型即为农作物病害识别模型;其中,序列重组单元通过多头自注意力层进行信息交互,丢弃对类别序列贡献小的图像块后返回当前Transformer编码层的前馈神经网络。
全文数据:
权利要求:
百度查询: 安徽师范大学 农作物病害识别模型的训练方法及农作物病害识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。