本发明涉及图像处理，特别是涉及一种适合边缘智能设备部署的茶叶病害识别方法。
背景技术：
1、茶叶作为全球重要的农产品之一，其生长过程中易受多种病害的影响，如藻叶病、炭疽病、褐斑病等。这些病害不仅影响茶叶的外观品质，还可能导致茶叶产量的显著下降。传统的茶叶病害识别方法依赖于人工经验，耗时且效率低下，且易受到主观判断的影响。随着人工智能技术的发展，尤其是深度学习在图像识别领域的应用，自动化的茶叶病害识别成为可能。
2、然而，现有的深度学习模型往往需要大量的计算资源，对于边缘计算设备来说，这些模型的部署和运行存在较大的挑战。边缘计算设备通常具有有限的计算能力和存储空间，因此需要特别设计的轻量级模型来满足其实时处理和低资源消耗的需求。此外，茶叶病害图像的多样性和复杂性也对模型的泛化能力和识别精度提出了更高的要求。
技术实现思路
1、本发明提供的一种适合边缘智能设备部署的茶叶病害识别方法，能够大幅降低模型的计算复杂度和参数量。
2、为达到上述目的，本发明提供的一种适合边缘智能设备部署的茶叶病害识别方法，其关键是，包括以下步骤：
3、步骤1：图像采集模块采集茶叶图像数据a，并将所述茶叶图像数据a传递给数据预处理模块；
4、步骤2：所述数据预处理模块对所述茶叶图像数据a进行预处理操作，得到标准图像数据b并传递给数据增强模块；
5、步骤3：所述数据增强模块对所述标准图像数据b进行数据增强操作，得到增强图像数据c并传递给数据转换模块；
6、步骤4：所述数据转换模块将所述增强图像数据c转化为矩阵数据d并传递给茶叶病害识别模型；所述数据转换模块通过python将增强图像数据c转换为224×224×3的矩阵数据d；
7、步骤5：所述茶叶病害识别模型对所述矩阵数据d进行茶叶病害识别，并输出茶叶病害识别结果y。
8、所述图像采集模块通过摄像头或其他图像采集设备实时收集茶叶图像，然后经数据预处理模块和数据增强模块对茶叶图像进行预处理和增强操作，最后使用茶叶病害识别模块茶叶图像对茶叶图像进行实时识别，并能根据模型输出结果得到茶叶具体感染的病害，病害包括茶叶红叶斑病、茶叶藻斑病、茶叶雀眼病、茶叶灰枯病、茶叶白斑病、茶叶炭疽病、茶叶褐枯病。根据识别结果，茶农可以及时采取相应的防治措施，减少病害对茶叶产量和品质的影响。
9、作为优选：所述步骤2中，所述预处理操作包括但不限于去除图像背景噪声、调整图像大小和归一化处理。
10、通过预处理操作确保图形数据的一致性和可用性，符合模型输入要求。图像大小调整为224×224像素。
11、作为优选：所述步骤3中，所述数据增强模块通过randaugment算法对茶叶图像数据a进行数据增强操作，所述数据增强操作包括但不限于随机调整标准图像数据b的亮度、旋转角度、对比度、饱和度和锐化度，以模拟不同的光照、角度和天气条件下茶叶病害的表现。
12、所述数据增强模块通过randaugment算法对茶叶图像数据a进行自动数据增强，以提高茶叶图像数据的多样性和茶叶病害识别模型的泛化能力。
13、其中，所述randaugment算法通过随机选择一系列数据增强操作并应用到茶叶图像数据a上，生成多样化的训练样本，并通过调整算法中的超参数，如增强策略的数量n和每个策略的强度m，搜索最优的数据增强策略。
14、所述randaugment算法的超参数设置为n＝2和m＝13，表示从14种数据增强操作中随机选择2种数据增强策略应用于每张图像，每种操作的强度从1到13中随机选择。
15、14种数据增强操作如下：
16、identity:不改变图像(作为基线)；autocontrast:增加图像的对比度；equalize:执行直方图均衡化；rotate:旋转图像；solarize:对图像进行部分曝光；color:调整图像的颜色；posterize:降低图像的颜色深度；contrast:调整图像的对比度；brightness:调整图像的亮度；sharpness:调整图像的锐度；shearx:沿着x轴剪切图像；sheary:沿着y轴剪切图像；translatex:沿着x轴平移图像；translatey:沿着y轴平移图像。
17、作为优选：所述步骤5中，所述茶叶病害识别模型对所述矩阵数据d进行茶叶病害识别，包括以下步骤：
18、步骤a1：所述茶叶病害识别模型中的第一卷积层获取所述矩阵数据d，并对其进行卷积操作，得到第一卷积数据e并传递给特征提取网络；
19、步骤a2：所述特征提取网络对所述第一卷积数据e进行特征提取操作，得到特征数据f并传递给第二卷积层；
20、步骤a3：所述第二卷积层对所述特征数据f进行卷积操作，得到第二卷积数据g并传递给全局平均池化层；
21、步骤a4：所述全局平均池化层对所述第二卷积数据g进行全局平均池化操作，得到池化数据h传递给全连接层；
22、步骤a5：所述全连接层对所述池化数据h进行全连接操作后，通过softmax函数输出茶叶病害识别结果y。
23、所述特征提取网络中设置有多个特征提取模块，实现图像特征的多样化、充分提取，有效提高了茶叶病害识别模型的识别精度。
24、所述全局平均池化层用于提取第二卷积数据g中的全局信息，并通过两个并行的1d卷积层对第二卷积数据g的行和列进行编码。该全局平均池化层还具有降低模型参数量和计算量、防止过拟合、提取判别性特征和引入位置不变性等作用。
25、作为优选：在所述步骤a2中，所述特征提取网络由至少2个结构一致的特征提取模块依次连接组成，令第i个所述特征提取模块的输入数据为x，则第i个特征提取模块对输入数据x进行特征提取的操作步骤如下：
26、步骤b1：第i个所述特征提取模块中的第一1x1卷积层获取输入数据x，并对所述输入数据x进行1x1卷积操作，得到第一1x1卷积数据x1并传递给第一acon激活函数层；
27、步骤b2：所述第一acon激活函数层对所述第一1x1卷积数据x1进行自适应激活操作，得到第一激活数据x2并传递给3x3深度可分离卷积层；
28、步骤b3：所述3x3深度可分离卷积层对所述第一激活数据x2进行深度可分离卷积操作，得到可分离卷积数据x3并传递给第二acon激活函数层；
29、步骤b4：所述第二acon激活函数层对所述可分离卷积数据x3进行自适应激活操作，得到第二激活数据x4并传递给坐标注意力机制层；
30、步骤b5：所述坐标注意力机制层提取所述第二激活数据4中的特征位置信息，得到特征位置数据x5并传递给第二1x1卷积层；
31、步骤b6：所述第二1x1卷积层对所述特征位置数据x5进行1x1卷积操作，得到第二1x1卷积数据x6并传递给残差连接层；
32、步骤b7：所述残差连接层对所述输入数据x和第二1x1卷积数据x6进行残差连接操作，得到第i个特征提取模块的输出数据或特征数据f。
33、所述特征提取模块采用坐标注意力机制和acon激活函数，以提升特征提取的准确性和模型的计算效率。其中，坐标注意力机制用于捕捉图像中的空间位置信息，帮助模型更好地关注图像中的重要区域，提高对病害特征的识别能力；acon激活函数通过学习动态调整激活函数的参数，使得模型能够更好地适应不同的数据特征，提高模型的非线性表达能力。
34、作为优选：所述第一acon激活函数层和第二acon激活函数层中acon激活函数的函数表达式如下：
35、f(x)＝(p1-p2)x·σ(β(p1-p2)x)+p2x
36、其中，x表示第一acon激活函数层或第二acon激活函数层的输入，p1和p2表示茶叶病害识别的模型参数，σ表示sigmoid函数，β表示辅助参数。
37、作为优选：在所述步骤5中，所述茶叶病害识别结果y为由0和1组成的1x8向量，该向量中的8个数字用于定义8种茶叶病害，按排列顺序依次为健康、红叶斑病、藻斑病、雀眼病、灰枯病、白斑病、炭疽病、褐枯病；所述向量中仅有一个向量位上的数字为1，该向量位所对应的茶叶病害即为茶叶病害识别结果。
38、通过上述设计，可以根据模型输出结果得到茶叶具体感染的病害，当系统识别出潜在的病害时，可以立即通知茶农采取防治措施，从而减少病害对茶叶产量和品质的影响。此外，模型的识别结果还可以用于茶叶病害的统计分析，为茶叶病害的防治策略提供数据支持。通过这种方式，茶农可以更好地管理茶叶种植，提高茶叶的整体质量和产量。
39、作为优选：所述茶叶病害识别模型通过以下训练步骤得到：
40、步骤c1：图像采集模块采集茶叶图像数据集，并将所述茶叶图像数据集传递给数据预处理模块；
41、步骤c2：所述数据预处理模块对所述茶叶图像数据集进行预处理操作，得到标准图像数据集并传递给数据增强模块；
42、步骤c3：所述数据增强模块对所述标准图像数据集进行数据增强操作，得到增强图像数据集并传递给数据转换模块；
43、步骤c4：所述数据转换模块将所述增强图像数据集转化为矩阵数据集，并将所述矩阵数据集划分为训练集和验证集；训练集用于模型的学习和参数优化，验证集用于评估模型的性能和防止过拟合。
44、步骤c5：构建茶叶病害识别模型；
45、步骤c6：使用训练集对所述茶叶病害识别模型进行训练，优化模型权重参数，提高模型的快速收敛能力；
46、步骤c7：使用验证集验证茶叶病害识别模型的训练结果，采用性能评价指标评估模型性能，并根据评估结果调整模型结构和训练策略；
47、步骤c8：将训练好的茶叶病害识别模型部署至边缘计算设备上，并通过加速引擎和16位量化技术提高模型的推理速度，实现茶叶病害的实时识别。所述16位量化技术将模型的权重和激活值从32位浮点数转换为16位浮点数，进一步减少模型大小和加速计算。
48、在茶叶病害识别模型的训练中，通过余弦退火与线性预热学习率调整策略优化模型性能，得到训练好的茶叶病害识别模型。其中，余弦退火学习率调整策略在训练初期使用较高的学习率以快速收敛，并随着训练的进行逐渐降低学习率，以细化模型的权重调整，防止过拟合。
49、在训练过程中，采用交叉验证和早停策略防止过拟合，并通过验证集对模型性能进行评估。训练过程中，还可以使用学习率衰减策略，以在训练初期快速收敛，在训练后期细化模型参数。
50、训练完成后，使用tensorrt优化器对茶叶病害识别模型进行加速。tensorrt优化器可以将模型转换为优化的中间表示，从而提高推理速度和降低延迟。同时，对模型进行16位量化，进一步减少模型大小和计算量。量化过程中需要权衡精度损失和模型压缩率，以确保模型在保持较高识别精度的同时，能够适应边缘智能设备的资源限制。
51、作为优选：在所述步骤c7中，所述性能评价指标包括但不限于准确率a、精确率p、召回率r和f1分数，准确率a、精确率p、召回率r和f1分数的值越高表示系统的性能越好。
52、通过上述设计，不断训练优化所述茶叶病害识别模型，并采用准确率a、精确率p、召回率r和f1分数对茶叶病害识别结果进行精度评价，最终得到能够对茶叶病害进行精准识别，且具有较高自动化程度的茶叶病害识别模型。
53、作为优选：在所述步骤c8中，所述边缘计算设备为jetson orin nx，所述加速引擎为tensorrt加速引擎。所述边缘计算设备用于提供足够的计算能力进行模型推理，所述加速引擎用于优化模型，减少模型的内存占用和计算量。
54、本发明的有益效果：能够在保持高识别精度的同时，大幅降低模型的计算复杂度和参数量，以适应边缘智能设备的计算能力限制。
1.一种适合边缘智能设备部署的茶叶病害识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的适合边缘智能设备部署的茶叶病害识别方法，其特征在于：所述步骤2中，所述预处理操作包括但不限于去除图像背景噪声、调整图像大小和归一化处理。
3.根据权利要求1所述的适合边缘智能设备部署的茶叶病害识别方法，其特征在于：所述步骤3中，所述数据增强模块通过randaugment算法对茶叶图像数据a进行数据增强操作，所述数据增强操作包括但不限于随机调整标准图像数据b的亮度、旋转角度、对比度、饱和度和锐化度。
4.根据权利要求1所述的适合边缘智能设备部署的茶叶病害识别方法，其特征在于：所述步骤5中，所述茶叶病害识别模型对所述矩阵数据d进行茶叶病害识别，包括以下步骤：
5.根据权利要求4所述的适合边缘智能设备部署的茶叶病害识别方法，其特征在于：在所述步骤a2中，所述特征提取网络由至少2个结构一致的特征提取模块依次连接组成，令第i个所述特征提取模块的输入数据为x，则第i个特征提取模块对输入数据x进行特征提取的操作步骤如下：
6.根据权利要求5所述的适合边缘智能设备部署的茶叶病害识别方法，其特征在于：所述第一acon激活函数层和第二acon激活函数层中acon激活函数的函数表达式如下：
7.根据权利要求1所述的适合边缘智能设备部署的茶叶病害识别方法，其特征在于：在所述步骤5中，所述茶叶病害识别结果y为由0和1组成的1x8向量，该向量中的8个数字用于定义8种茶叶病害，按排列顺序依次为健康、红叶斑病、藻斑病、雀眼病、灰枯病、白斑病、炭疽病、褐枯病；所述向量中仅有一个向量位上的数字为1，该向量位所对应的茶叶病害即为茶叶病害识别结果。
8.根据权利要求1所述的适合边缘智能设备部署的茶叶病害识别方法，其特征在于：所述茶叶病害识别模型通过以下训练步骤得到：
9.根据权利要求8所述的适合边缘智能设备部署的茶叶病害识别方法，其特征在于：在所述步骤c7中，所述性能评价指标包括但不限于准确率a、精确率p、召回率r和f1分数，准确率a、、精确率p、召回率r和f1分数的值越高表示系统的性能越好。
10.根据权利要求8所述的适合边缘智能设备部署的茶叶病害识别方法，其特征在于：在所述步骤c8中，所述边缘计算设备为jetson orin nx，所述加速引擎为tensorrt加速引擎。
