一种基于全局表征学习的无监督作物叶部病斑分割方法

本发明属于计算机视觉和植物表型学领域，尤其涉及一种基于全局表征学习的无监督作物叶部病斑分割方法。

背景技术：

1、在现代农业生产中，准确检测各类农作物叶部病害对预防和控制病害、提高农作物产量和品质起着至关重要的作用。然而，传统的病害分割方法往往依赖于复杂的人工手动标注，成本高昂且效率低下，限制了其在大规模农业生产中的应用。

2、深度学习方法具有许多优势，被认为是病害分割的强大工具。然而，训练卷积神经网络(cnn)分割模型需要大量的样本数据和标注数据。创建如此详细的标注既费力又耗时。因此，针对标注数据匮乏且难以获取这一问题，亟需一种不需要标注信息即可实现农作物叶部病害区域自动检测的方法。

3、此外，农作物叶部病斑的检测还面临着一些独特的挑战。不同作物品种甚至同一作物品种之间，叶片上不同疾病的视觉症状可能存在显著差异。这些表型症状受到自然环境和图像捕获条件的影响，例如叶子颜色、形态、受感染组织的年龄、不均匀的图像背景和成像期间的光照等因素。因此，准确、鲁棒地检测形态各异的叶部病害区域至关重要。尽管农业研究人员对基于视觉的植物病害检测技术越来越感兴趣，然而，现有方法在处理多变的病害种类、形态以及复杂的背景时缺乏鲁棒性，导致检测准确性和可靠性不足。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于全局表征学习的无监督作物叶部病斑分割方法，能够克服传统农作物病害检测方法依赖人工标注、但标注数据匮乏的问题，提高病斑分割的准确性和鲁棒性，为农业病害防治提供更高效、准确的技术支持。

2、为实现上述目的，本发明提供了一种基于全局表征学习的无监督作物叶部病斑分割方法，包括：

3、获取待分割的农作物叶部图像；

4、将所述待分割的农作物叶部图像输入至叶片区域分割模型，获取叶片图像，其中，所述叶片区域分割模型通过第一损失函数训练而成，所述第一损失函数为基于正负例构造的损失函数；

5、将所述叶片图像输入至病斑区域分割模型，获取病斑区域；其中，所述病斑区域分割模型通过第二损失函数训练而成，所述第二损失函数为基于正负例构造的损失函数。

6、可选的，获取所述第一损失函数包括：

7、获取农作物叶部图像数据；

8、利用改进的resnet50网络，获取所述农作物叶部图像数据的高级特征图；

9、对所述高级特征图进行特征解缠处理，获取前景特征、背景特征和全局特征；

10、基于所述前景特征、背景特征和全局特征构造跨图像对比学习正负例；

11、基于所述正负例构造对比损失函数和约束项，获取所述第一损失函数。

12、可选的，所述改进的resnet50网络包括：在resnet50网络的第三层特征提取后增加改进的rfb感受野模块，在resnet50网络的后两层应用升维cbam卷积块注意力模块。

13、可选的，对所述高级特征图进行特征解缠处理，获取所述前景特征、背景特征和全局特征包括：

14、利用激活头模块，将所述高级特征图转换为类激活图；

15、基于所述类激活图，获取所述前景特征、背景特征和全局特征。

16、可选的，基于所述类激活图，获取所述前景特征、背景特征和全局特征包括：

17、基于所述类激活图，获取前景区域的空间位置信息、背景区域的空间位置信息；

18、基于所述高级特征图，结合所述前景区域的空间位置信息，获取所述前景特征；

19、基于所述高级特征图，结合所述背景区域的空间位置信息，获取所述背景特征；

20、对所述高级特征图进行全局最大池化和全局平均池化，获取所述全局特征。

21、可选的，所述第一损失函数包括：前景-背景负对比损失、前景-全局负对比损失、前景-前景正对比损失、背景-背景正对比损失、背景-全局正对比损失和约束项。

22、可选的，所述第一损失函数为：

23、

24、其中，为前景-背景负对比损失，为前景-全局负对比损失，为前景-前景正对比损失，为背景-背景正对比损失，为背景-全局正对比损失，constraint为约束项。

25、可选的，获取所述第二损失函数包括：

26、利用改进的resnet50网络，获取所述叶片图像的高级特征图；

27、对所述高级特征图进行特征解缠处理，获取前景特征、背景特征和全局特征；

28、基于所述前景特征、背景特征和全局特征构造跨图像对比学习正负例；

29、基于所述正负例构造对比损失函数和约束项，获取所述第二损失函数。

30、与现有技术相比，本发明具有如下优点和技术效果：

31、1)本发明无需像素级标注和图像级标注信息，采用对比学习方法和自定义损失函数进行无监督训练，可自动从大量未标记的农作物叶部图像中学习病斑特征，大大降低了数据标注的成本和工作量，解决了传统方法依赖人工标注的问题；

32、2)本发明能够有效分割出叶片前景区域，并基于此进一步分割出病斑区域，提高了多尺度病斑检测的准确性；

33、3)本发明通过改进的resnet50网络结合多尺度感受野特征提取和卷积块注意力机制，能够处理农作物叶部多尺度病斑问题，增强了对不同大小和形状病斑的检测能力；

34、4)本发明的方法有助于及时发现农作物叶部病害，为农业病害防治提供准确的信息，从而提高农作物的产量和质量。

1.一种基于全局表征学习的无监督作物叶部病斑分割方法，其特征在于，包括：

2.根据权利要求1所述的一种基于全局表征学习的无监督作物叶部病斑分割方法，其特征在于，获取所述第一损失函数包括：

3.根据权利要求2所述的一种基于全局表征学习的无监督作物叶部病斑分割方法，其特征在于，所述改进的resnet50网络包括：在resnet50网络的第三层特征提取后增加改进的rfb感受野模块，在resnet50网络的后两层应用升维cbam卷积块注意力模块。

4.根据权利要求2所述的一种基于全局表征学习的无监督作物叶部病斑分割方法，其特征在于，对所述高级特征图进行特征解缠处理，获取所述前景特征、背景特征和全局特征包括：

5.根据权利要求4所述的一种基于全局表征学习的无监督作物叶部病斑分割方法，其特征在于，基于所述类激活图，获取所述前景特征、背景特征和全局特征包括：

6.根据权利要求2所述的一种基于全局表征学习的无监督作物叶部病斑分割方法，其特征在于，所述第一损失函数包括：前景-背景负对比损失、前景-全局负对比损失、前景-前景正对比损失、背景-背景正对比损失、背景-全局正对比损失和约束项。

7.根据权利要求6所述的一种基于全局表征学习的无监督作物叶部病斑分割方法，其特征在于，所述第一损失函数为：

8.根据权利要求1所述的一种基于全局表征学习的无监督作物叶部病斑分割方法，其特征在于，获取所述第二损失函数包括：