本發明屬于圖像處理，具體涉及一種葡萄霜霉病葉片病害嚴重程度檢測方法、系統。

背景技術：

1、目前，檢測葡萄霜霉病葉片病害嚴重程度主要依賴人工觀察與評估，這種方法存在多方面的缺陷和不足。首先，人工檢測需要耗費大量的人力和時間，尤其在大規模農田中檢測效率極低，難以滿足實際需求。其次，人工評估受檢測者的經驗和狀態影響較大，容易導致檢測結果不一致或偏差。第三，人工方法難以實現對大范圍作物的快速監測和實時評估，往往延誤病害防治的最佳時機。

2、另外，盡管深度學習技術近年來在農作物病害檢測中取得了一定進展，但現有技術主要集中于對病斑的識別，缺乏對病害嚴重程度的精確計算。

技術實現思路

1、本發明提供一種葡萄霜霉病葉片病害嚴重程度檢測方法、系統。

2、本發明的技術方案如下：

3、本發明提供一種葡萄霜霉病葉片病害嚴重程度檢測方法，包括以下步驟：

4、s1：獲取待檢葡萄霜霉病葉片圖像，經高效通道注意力處理提取圖像特征，提取的特征經空洞卷積處理后，預測每個像素的類別，所述像素的類別為背景或葉片；

5、根據預測的像素類別，標記葉片區域，得到掩膜圖像；

6、根據掩膜圖像，去除待檢葡萄霜霉病葉片圖像的背景，得到第一分割圖像；

7、s2：第一分割圖像依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理，空間注意力處理后的特征圖重復依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理操作若干次，得到第一特征圖；

8、第一特征圖進行上采樣后，依次經多尺度特征處理、通道空間注意力處理，得到第一多尺度特征圖；重復進行上采樣后，依次經多尺度特征處理、通道空間注意力處理操作若干次，得到第二特征圖；

9、第二特征圖進行上采樣后，預測每個像素的類別，所述像素的類別為健康或病斑；

10、根據預測的像素類別，標記病斑區域，得到第二分割圖像；

11、s3：根據第二分割圖像，計算病斑區域占葉片區域的比例，得到病害嚴重程度。

12、所述步驟s2中，進行上采樣后，依次經多尺度特征處理、通道空間注意力處理，操作如下：

13、上采樣后的特征圖分別經1×1卷積、3×3卷積后進行融合，融合特征圖依次進行批歸一化處理、relu激活函數處理、通道注意力處理、空間注意力處理，得到多尺度特征圖。

14、所述步驟s2中，依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理，操作如下：

15、待處理特征圖依次經1×1卷積、批歸一化處理、swish激活函數處理后，依次進行深度可分離卷積、批歸一化處理、swish激活函數處理，得到的特征圖經高效通道注意力處理，得到注意力特征圖，注意力特征圖依次進行點卷積、批歸一化處理、空間注意力處理，得到處理后的特征圖。

16、所述步驟s2中，第一特征圖進行上采樣后，依次經多尺度特征處理、通道空間注意力處理，得到第一多尺度特征圖；重復進行上采樣后，依次經多尺度特征處理、通道空間注意力處理操作若干次，得到第二特征圖，具體為：

17、第一特征圖進行上采樣后，依次經多尺度特征處理、通道空間注意力處理，得到第一多尺度特征圖；

18、第一多尺度特征圖進行上采樣后，依次經多尺度特征處理、通道空間注意力處理，得到第二多尺度特征圖；

19、第二多尺度特征圖進行上采樣后，依次經多尺度特征處理、通道空間注意力處理，得到第三多尺度特征圖；

20、第三多尺度特征圖進行上采樣后，依次經多尺度特征處理、通道空間注意力處理，得到第二特征圖。

21、所述步驟s2中，第一分割圖像依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理，空間注意力處理后的特征圖重復依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理操作若干次，得到第一特征圖，具體為：

22、第一分割圖像依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理，得到第一處理后的特征圖；

23、第一處理后的特征圖依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理，得到第二處理后的特征圖；

24、第二處理后的特征圖依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理，得到第三處理后的特征圖；

25、第三處理后的特征圖依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理，得到第四處理后的特征圖；

26、第四處理后的特征圖依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理，得到第一特征圖。

27、所述步驟s1中，根據掩膜圖像，去除待檢葡萄霜霉病葉片圖像的背景，得到第一分割圖像，具體為：

28、調整掩膜圖像尺寸，并與待檢葡萄霜霉病葉片圖像尺寸一致；待檢葡萄霜霉病葉片圖像以彩色圖形式、掩膜圖像以灰度圖形式分別進行讀取，讀取的數據從numpy數組轉換為pytorch張量，得到葉片圖像張量和掩膜圖像張量；

29、掩膜圖像張量經二值化處理，轉化為只有0和1的掩膜圖像；

30、二值化處理后的掩膜圖像與葉片圖像張量按像素逐元素相乘，去除待檢葡萄霜霉病葉片圖像的背景，得到第一分割圖像。

31、所述步驟s2中，第二特征圖進行上采樣后，預測每個像素的類別，具體為：

32、第二特征圖經過雙線性插值進行上采樣，通過一個1×1卷積將每個像素的特征映射到類別空間，生成對應的類別預測分數，每個像素的類別預測分數經softmax函數處理，轉換為概率分布，將具有最高概率的類別作為該像素的預測類別。

33、所述檢測方法依托于預測模型實現，預測模型采用半監督學習進行訓練。

34、本發明還提供一種葡萄霜霉病葉片病害嚴重程度檢測系統，包括：

35、葉片與背景分割模塊：用于獲取待檢葡萄霜霉病葉片圖像，經高效通道注意力處理提取圖像特征，提取的特征經空洞卷積處理后，預測每個像素的類別，所述像素的類別為背景或葉片；

36、根據預測的像素類別，標記葉片區域，得到掩膜圖像；

37、根據掩膜圖像，去除待檢葡萄霜霉病葉片圖像的背景，得到第一分割圖像；

38、健康與病斑分割模塊：用于第一分割圖像依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理，空間注意力處理后的特征圖重復依次通過深度可分離卷積、高效通道注意力處理、點卷積、空間注意力處理操作若干次，得到第一特征圖；

39、第一特征圖進行上采樣后，依次經多尺度特征處理、通道空間注意力處理，得到第一多尺度特征圖；重復進行上采樣后，依次經多尺度特征處理、通道空間注意力處理操作若干次，得到第二特征圖；

40、第二特征圖進行上采樣后，預測每個像素的類別，所述像素的類別為健康或病斑；

41、根據預測的像素類別，標記病斑區域，得到第二分割圖像；

42、發病率檢測模塊：用于根據第二分割圖像，計算病斑區域占葉片區域的比例，得到病害嚴重程度。

43、所述健康與病斑分割模塊中，還包括多尺度特征圖模塊，用于將上采樣后的特征圖分別經1×1卷積、3×3卷積后進行融合，融合特征圖依次進行批歸一化處理、relu激活函數處理、通道注意力處理、空間注意力處理，得到多尺度特征圖。

44、有益效果

45、本發明采用兩次分割，先利用待檢葡萄霜霉病葉片圖像，經高效通道注意力處理和空洞卷積處理預測每個像素的類別，得到掩膜圖像，利用掩膜圖像將背景與葉片進行分割；第一分割圖像經高效通道注意力和空間注意力，提取特征；上采樣時結合了1×1卷積和3×3卷積的多尺度特征提取，進行跨層特征融合，同時，結合通道注意力處理、空間注意力處理，強化對病斑區域的關注，從而將第一分割圖像葉片上的健康區域與病斑區域進行分割，近而得到病害嚴重程度信息，提高預測準確度。