1、病虫害是造成林木凋落、减产甚j9.com官网至死亡的主要原因之一，直接影响着林业的生产效率和质量，病虫害识别技术能够帮助林业管理者及时发现并控制病虫害的蔓延，保护林木健康，减少林业损失，进而保障林业的可持续发展，提高林业生产的智能化程度。但在现有的病虫害识别过程中，存在实际情况下，林木叶子图像易受到光照条件变化和遮挡的影响，增加了病虫害识别的难度，对模型的泛化能力要求高的技术问题；存在背景信息对病虫害识别产生干扰，影响识别精度，而现有图像分割运行速度慢、资源占用大的技术问题；存在实际应用中的可计算能力通常较低，缺乏一种适用于轻量级计算平台的病虫害识别模型，限制了病虫害识别的实用性的技术问题。

　　1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的病虫害识别方法，针对在病虫害识别过程中，存在实际情况下，林木叶子图像易受到光照条件变化和遮挡的影响，增加了病虫害识别的难度，对模型的泛化能力要求高的技术问题，本方案采用数据增强方法，有效地扩展了数据的规模和多样性，有助于模型更好地识别各种变化，进而增强了模型在实际应用中的性能，提升了模型的泛化能力；针对在病虫害识别过程中，存在背景信息对病虫害识别产生干扰，影响识别精度，而现有图像分割运行速度慢、资源占用大的技术问题，本方案创造性地采用基于稀疏注意力机制的变压器神经网络进行图像分割，将图像中的目标与背景分离，降低了背景的干扰，通过将图像分解成多个子区域，减少了每个区域的复杂度，进而提升识别速度和精度，通过引入稀疏注意力机制，显著降低了模型的计算需求；针对在病虫害识别过程中，存在实际应用中的可计算能力通常较低，缺乏一种适用于轻量级计算平台的病虫害识别模型，限制了病虫害识别的实用性的技术问题，本方案创造性地采用轻量级快速区域卷积网络进行病虫害识别模型构建，通过将移动网络作为主干网络，有效降低了内存占用，且具有高效率和高准确性，更适于部署到轻量级计算平台，增强了模型的实用性，进而提高了病虫害识别技术的应用范围。

　　2、本发明采取的技术方案如下：本发明提供的一种基于人工智能的病虫害识别方法，该方法包括以下步骤：

　　8、进一步地，在步骤s1中，所述图像采集，用于采集病虫害识别所需的原始图像数据，具体为通过无人机设备对林木进行拍摄，采集得到林木图像数据，并通过标签标注，得到图像标签，所述林木图像数据具体指林木的叶子图像数据，所述图像标签包括病虫害标签和病虫害区域边界框。

　　9、进一步地，在步骤s2中，所述图像预处理，用于优化林木图像数据，具体为通过对林木图像数据进行图像去噪、图像归一化和数据增强处理，得到林木扩充图像数据，包括以下步骤：

　　10、步骤s21：图像去噪，具体为通过中值滤波器对林木图像数据进行噪声过滤，得到林木过滤图像数据，所述中值滤波器的计算公式为：

　　12、式中，ai是横坐标索引，bi是纵坐标索引，是经过中值滤波器后的图像在坐标（ai，bi）处的像素值，median(·)是取集合中值操作，是以坐标（ai，bi）为中心的领域内的像素值集合；

　　13、步骤s22：图像归一化，具体为将林木过滤图像数据中的每个图像缩放到统一大小，并进行归一化处理，得到林木归一化图像数据；

　　14、步骤s23：数据增强，用于扩展数据的规模和多样性，具体为通过对林木归一化图像数据进行数据增强操作，得到林木扩充图像数据，包括以下步骤：

　　15、步骤s231：在林木归一化图像数据中添加随机掩模，用于模拟林木叶子之间的遮挡，得到林木掩模图像数据；

　　16、步骤s232：对林木掩模图像数据进行随机旋转、翻转和亮度调节操作，用于模拟不同角度下和光照条件下的林木叶子图像，得到林木模拟图像数据；

　　17、步骤s233：通过mixup技术对林木模拟图像数据进行线性混合，生成新的图像和标签，得到林木扩充图像数据。

　　18、进一步地，在步骤s3中，所述图像分割，具体为采用基于稀疏注意力机制的变压器神经网络进行图像分割，得到林木分割图像数据；

　　19、所述基于稀疏注意力机制的变压器神经网络包括稀疏注意力机制和变压器模型；

　　20、所述稀疏注意力机制，用于限制注意力的计算范围优化计算复杂度和存储需求；

　　21、所述变压器模型，用于提高图像分割的精度，具体包括编码器和解码器，所述编码器用于从林木扩充图像数据中提取特征，所述解码器用于生成图像分割结果；

　　23、步骤s31：构建稀疏注意力机制，具体为通过构建稀疏注意力机制，将变压器模型中的传统自注意力机制替换为稀疏注意力机制，提高计算和存储效率，包括以下步骤：

　　24、步骤s311：设定稀疏连接规则，具体为设置交互范围k，规定每个元素只与前k个元素和后k个元素进行交互；

　　25、步骤s312：初始化权重矩阵，具体为通过设置查询权重矩阵、键权重矩阵和值权重进行权重矩阵初始化；

　　26、步骤s313：依据稀疏连接规则，实现稀疏连接，构建得到稀疏注意力机制；

　　27、步骤s314：在变压器模型中加入稀疏注意力机制，计算稀疏注意力机制的输出结果，计算公式为：

　　29、式中，xoutput是输出张量，具体指稀疏注意力机制的输出结果，sparseattention(·)是稀疏注意力机制计算函数，xinput是输入张量，具体指稀疏注意力机制的输入，wquery是查询权重矩阵，wkey是键权重矩阵，wvalue是值权重矩阵；

　　31、步骤s321：设计编码器结构，具体为在编码器中设置卷积层和n个变压器层，在每个变压器层中设置稀疏注意力子层和前馈网络子层，并设置残差连接和层归一化；

　　32、步骤s322：设计解码器结构，具体为在编码器中设置线性变换层和上采样层；

　　34、步骤s33：训练稀疏注意力模块，具体为将稀疏注意力子层从变压器模型中分离，得到稀疏注意力模块，对稀疏注意力模块进行独立训练，在经过独立训练后，将训练好的稀疏注意力模块重新整合到变压器模型中，并进行整体的微调训练；

　　35、步骤s34：训练基于稀疏注意力机制的变压器神经网络，具体为使用交叉熵损失函数，通过所述构建稀疏注意力机制、所述构建变压器模型和所述训练稀疏注意力模块，进行模型训练，得到林木图像分割模型；

　　36、步骤s35：通过林木图像分割模型进行图像分割，得到林木分割图像数据。

　　37、进一步地，在步骤s4中，所述病虫害识别模型构建，用于依据林木分割图像数据构建病虫害识别模型，具体为采用轻量级快速区域卷积网络进行病虫害识别模型构建，得到病虫害识别模型，

　　38、所述轻量级快速区域卷积网络将移动网络作为主干网络，用于提高计算效率和准确性；

　　39、所述轻量级快速区域卷积网络包括主干网络、区域建议网络、池化层、第一全连接层组和损失函数，所述主干网络具体指移动网络，所述第一全连接层组包括分类层和回归层；

　　41、步骤s41：构建主干网络，用于从输入图像中提取特征，具体为在主干网络中设置深度可分离卷积和全连接层，包括以下步骤：

　　42、步骤s411：将林木分割图像数据作为输入图像输入主干网络，确定输入图像尺寸，计算公式为：

　　44、式中，igsize是输入图像尺寸，h是输入图像高度，w是输入图像宽度，color是输入通道，具体指输入图像的颜色通道；

　　45、步骤412：构建深度可分离卷积，具体为通过深度卷积对输入图像的每个输入通道应用单个卷积滤波器，通过1×1卷积核对深度卷积的结果进行逐点卷积，实现特征融合，得到深度融合特征图；

　　46、步骤s413：构建第二全连接层，具体为通过全连接层对深度融合特征进行特征映射，得到全连接特征图；

　　47、步骤s42：构建区域建议网络，用于生成候选区域，具体为基于全连接特征图，进行区域建议网络构建，得到候选区域；

　　48、步骤s43：构建roi池化层，具体为依据候选区域，通过对全连接特征图进行roi池化操作，得到池化特征向量；

　　49、步骤s44：构建第一全连接层组，用于目标分类和位置回归，包括以下步骤：

　　50、步骤s441：定义第一全连接层组参数，所述第一全连接层组参数包括分类层权重、分类层偏置项、回归层权重和回归层偏置项；

　　51、步骤s442：构建分类层，并通过修正线性单元激活函数计算分类层输出，计算公式为：

　　53、式中，laycls是分类层输出，用于预测候选区域中物体的类别，relu(·)是修正线性单元激活函数，用于增加网络的非线性特性，wcls是分类层权重矩阵，vpool是roi池化层输出，具体指池化特征向量，gcls是分类层偏置项；

　　56、式中，layreg是回归层输出，用于调整候选区域中物体的边界框坐标，wreg是回归层权重，greg是回归层偏置项；

　　57、步骤s45：构建分类损失函数和回归损失函数，用于衡量模型在分类和回归任务上的性能，并作为训练目标来优化模型参数，计算公式为：

　　59、式中，是分类损失函数，用于衡量预测标签与真实标签之间的差异，y是预测标签，具体指候选区域中物体的预测标签，是真实标签，具体指候选区域中物体的病虫害标签，是回归损失函数，用于衡量预测边界框偏移量与实际边界框偏移量之间的差异，z是预测边界框偏移量，是真实边界框偏移量，smoothl1(·)是平滑l1损失函数，用于减小异常值对损失的影响；

　　60、步骤s46：病虫害识别模型训练，具体为通过随机梯度下降法，最小化分类损失函数和回归损失函数，进行模型训练，得到病虫害识别模型modelpd。

　　61、进一步地，在步骤s5中，所述病虫害识别报告生成，用于进行病虫害识别并生成相应的结果报告，具体为采用病虫害识别模型modelpd进行病虫害识别，得到病虫害识别结果，并基于病虫害识别结果生成病虫害识别报告，所述病虫害识别报告包括病虫害的描述、原因和防治建议。

　　63、（1）针对在病虫害识别过程中，存在实际情况下，林木叶子图像易受到光照条件变化和遮挡的影响，增加了病虫害识别的难度，对模型的泛化能力要求高的技术问题，本方案采用数据增强方法，有效地扩展了数据的规模和多样性，有助于模型更好地识别各种变化，进而增强了模型在实际应用中的性能，提升了模型的泛化能力。

　　64、（2）针对在病虫害识别过程中，存在背景信息对病虫害识别产生干扰，影响识别精度，而现有图像分割运行速度慢、资源占用大的技术问题，本方案创造性地采用基于稀疏注意力机制的变压器神经网络进行图像分割，将图像中的目标与背景分离，降低了背景的干扰，通过将图像分解成多个子区域，减少了每个区域的复杂度，进而提升识别速度和精度，通过引入稀疏注意力机制，显著降低了模型的计算需求。

　　65、（3）针对在病虫害识别过程中，存在实际应用中的可计算能力通常较低，缺乏一种适用于轻量级计算平台的病虫害识别模型，限制了病虫害识别的实用性的技术问题，本方案创造性地采用轻量级快速区域卷积网络进行病虫害识别模型构建，通过将移动网络作为主干网络，有效降低了内存占用，且具有高效率和高准确性，更适于部署到轻量级计算平台，增强了模型的实用性，进而提高了病虫害识别技术的应用范围。