本技术涉及智能监测领域，且更为具体地，涉及一种基于无人机多光谱的柑橘黄龙病监测方法。
背景技术：
1、柑橘黄龙病被认为是柑橘的“癌症”，由革兰氏阴性厌氧菌引起，这种病害会导致柑橘叶片黄化、果实发育不良和树木最终死亡，严重影响到柑橘产量和品质，一旦柑橘园感染，病害会迅速扩散，给果农带来巨大的经济损失。因此，通过对柑橘进行监测可以及早发现黄龙病的感染，从而在病害初期就采取相应的措施，防止病害的快速传播。
2、然而，由于成本和时间的限制，传统方法难以实现大面积的柑橘黄龙病快速抽检，导致病害多次暴发，难以控制。此外，黄龙病的田间症状诊断依赖于观察叶片黄化等表现，但这些症状可能与营养缺乏或其他疾病相似，容易造成误诊。
3、因此，期望一种基于无人机多光谱的柑橘黄龙病监测方法。
技术实现思路
1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于无人机多光谱的柑橘黄龙病监测方法，其通过由无人机搭载的多光谱相机采集的被检测柑橘叶片的多光谱图像，且从数据库提取被标注为健康的柑橘叶片参考多光谱图像，并采用基于深度学习的图像监测的分析和处理技术对所述被检测柑橘叶片的多光谱图像和所述柑橘叶片参考多光谱图像进行图像特征提取和差分计算，以此根据所述被检测柑橘叶片的多光谱图像和所述柑橘叶片参考多光谱图像之间的多维度显著差分特征来自动地判别被检测柑橘叶片是否存在黄龙病。通过该方式，能够利用无人机搭载的多光谱相机实时并快速采集数据，并更准确地识别出柑橘叶片的黄龙病特征，从而来及时采取措施，以防止病害扩散。
2、根据本技术的一方面，提供了一种基于无人机多光谱的柑橘黄龙病监测方法，其包括：
3、获取由无人机搭载的多光谱相机采集的被检测柑橘叶片的多光谱图像；
4、从数据库提取被标注为健康的柑橘叶片参考多光谱图像；
5、对所述被标注为健康的柑橘叶片参考多光谱图像和所述被检测柑橘叶片的多光谱图像进行多光谱多尺度特征提取以得到柑橘叶片检测浅层特征图、柑橘叶片检测中层特征图、柑橘叶片检测深层特征图、柑橘叶片参考浅层特征图、柑橘叶片参考中层特征图和柑橘叶片参考深层特征图；
6、计算所述柑橘叶片检测浅层特征图和所述柑橘叶片参考浅层特征图之间的差分特征图，所述柑橘叶片检测中层特征图和所述柑橘叶片参考中层特征图之间的差分特征图以及所述柑橘叶片检测深层特征图和所述柑橘叶片参考深层特征图之间的差分特征图以得到柑橘叶片浅层差分特征图、柑橘叶片中层差分特征图和柑橘叶片语义差分特征图；
7、将所述柑橘叶片浅层差分特征图、所述柑橘叶片中层差分特征图和所述柑橘叶片语义差分特征图分别通过门控筛选自适应注意力模块以得到自适应强化柑橘叶片浅层差分特征图、自适应强化柑橘叶片中层差分特征图和自适应强化柑橘叶片语义差分特征图；
8、融合所述自适应强化柑橘叶片浅层差分特征图、所述自适应强化柑橘叶片中层差分特征图和所述自适应强化柑橘叶片语义差分特征图以得到柑橘叶片全局多维度显著差分特征图作为柑橘叶片全局多维度显著差分特征；
9、基于所述柑橘叶片全局多维度显著差分特征，得到监测结果，所述监测结果用于表示被检测柑橘叶片是否存在黄龙病。
10、在上述基于无人机多光谱的柑橘黄龙病监测方法中，对所述被标注为健康的柑橘叶片参考多光谱图像和所述被检测柑橘叶片的多光谱图像进行多光谱多尺度特征提取以得到柑橘叶片检测浅层特征图、柑橘叶片检测中层特征图、柑橘叶片检测深层特征图、柑橘叶片参考浅层特征图、柑橘叶片参考中层特征图和柑橘叶片参考深层特征图，包括：将所述被标注为健康的柑橘叶片参考多光谱图像和所述被检测柑橘叶片的多光谱图像输入基于空洞卷积神经网络模型的多光谱特征提取器以得到所述柑橘叶片检测浅层特征图、所述柑橘叶片检测中层特征图、所述柑橘叶片检测深层特征图、所述柑橘叶片参考浅层特征图、所述柑橘叶片参考中层特征图和所述柑橘叶片参考深层特征图。
11、在上述基于无人机多光谱的柑橘黄龙病监测方法中，将所述柑橘叶片浅层差分特征图、所述柑橘叶片中层差分特征图和所述柑橘叶片语义差分特征图分别通过门控筛选自适应注意力模块以得到自适应强化柑橘叶片浅层差分特征图、自适应强化柑橘叶片中层差分特征图和自适应强化柑橘叶片语义差分特征图，包括：对所述柑橘叶片浅层差分特征图沿通道维度的各个特征矩阵进行多种方式池化处理以得到柑橘叶片浅层差分全局最大值池化特征向量、柑橘叶片浅层差分全局均值池化特征向量和柑橘叶片浅层差分全局随机值池化特征向量；对所述柑橘叶片浅层差分全局最大值池化特征向量、所述柑橘叶片浅层差分全局均值池化特征向量和所述柑橘叶片浅层差分全局随机值池化特征向量进行加权融合以得到柑橘叶片浅层差分全局表示向量；对所述柑橘叶片浅层差分全局表示向量进行基于全连接层的逐通道语义特征交互和特征激活以得到柑橘叶片浅层差分通道语义特征向量；将所述柑橘叶片浅层差分通道语义特征向量输入门控单元以得到门控筛选柑橘叶片浅层差分通道语义特征向量；对所述门控筛选柑橘叶片浅层差分通道语义特征向量进行归一化处理以得到门控筛选柑橘叶片浅层差分通道语义权重特征向量；以及，以所述门控筛选柑橘叶片浅层差分通道语义权重特征向量作为权重特征向量，计算其与所述柑橘叶片浅层差分特征图的逐通道乘积以得到所述自适应强化柑橘叶片浅层差分特征图。
12、在上述基于无人机多光谱的柑橘黄龙病监测方法中，对所述柑橘叶片浅层差分特征图沿通道维度的各个特征矩阵进行多种方式池化处理以得到柑橘叶片浅层差分全局最大值池化特征向量、柑橘叶片浅层差分全局均值池化特征向量和柑橘叶片浅层差分全局随机值池化特征向量，包括：对所述柑橘叶片浅层差分特征图沿通道维度的各个特征矩阵分别进行基于最大值的全局池化处理、基于平均值的全局池化处理和基于随机值的全局池化处理以得到所述柑橘叶片浅层差分全局最大值池化特征向量、所述柑橘叶片浅层差分全局均值池化特征向量和所述柑橘叶片浅层差分全局随机值池化特征向量。
13、在上述基于无人机多光谱的柑橘黄龙病监测方法中，对所述柑橘叶片浅层差分全局最大值池化特征向量、所述柑橘叶片浅层差分全局均值池化特征向量和所述柑橘叶片浅层差分全局随机值池化特征向量进行加权融合以得到柑橘叶片浅层差分全局表示向量，包括：将所述柑橘叶片浅层差分全局最大值池化特征向量、所述柑橘叶片浅层差分全局均值池化特征向量和所述柑橘叶片浅层差分全局随机值池化特征向量分别与相应的调整参数进行按位置相乘以得到柑橘叶片浅层差分全局最大值调制池化特征向量、柑橘叶片浅层差分全局均值调制池化特征向量和柑橘叶片浅层差分全局随机值调制池化特征向量；以及，将所述柑橘叶片浅层差分全局最大值调制池化特征向量、所述柑橘叶片浅层差分全局均值调制池化特征向量和所述柑橘叶片浅层差分全局随机值调制池化特征向量进行按位置相加以得到所述柑橘叶片浅层差分全局表示向量。
14、在上述基于无人机多光谱的柑橘黄龙病监测方法中，对所述柑橘叶片浅层差分全局表示向量进行基于全连接层的逐通道语义特征交互和特征激活以得到柑橘叶片浅层差分通道语义特征向量，包括：计算所述柑橘叶片浅层差分全局表示向量和权重矩阵的矩阵乘法后再与偏置向量进行向量相加以得到偏置调整柑橘叶片浅层差分全局表示向量；以及，将所述偏置调整柑橘叶片浅层差分全局表示向量通过激活函数进行激活处理以得到所述柑橘叶片浅层差分通道语义特征向量。
15、在上述基于无人机多光谱的柑橘黄龙病监测方法中，将所述柑橘叶片浅层差分通道语义特征向量输入门控单元以得到门控筛选柑橘叶片浅层差分通道语义特征向量，包括：响应于所述柑橘叶片浅层差分通道语义特征向量中的各个位置特征值大于或等于预定阈值，该位置特征值取原值，否则为零，以得到所述门控筛选柑橘叶片浅层差分通道语义特征向量。
16、在上述基于无人机多光谱的柑橘黄龙病监测方法中，基于所述柑橘叶片全局多维度显著差分特征，得到监测结果，包括：将所述柑橘叶片全局多维度显著差分特征图通过基于分类器的黄龙病监测模块以得到所述监测结果。
17、在上述基于无人机多光谱的柑橘黄龙病监测方法中，还包括训练步骤：用于对所述基于空洞卷积神经网络模型的多光谱特征提取器、所述门控筛选自适应注意力模块和所述基于分类器的黄龙病监测模块进行训练。
18、在上述基于无人机多光谱的柑橘黄龙病监测方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括由无人机搭载的多光谱相机采集的被检测柑橘叶片的训练多光谱图像，从数据库提取被标注为健康的柑橘叶片参考训练多光谱图像，以及，真实监测结果，所述真实监测结果为被检测柑橘叶片是否存在黄龙病的真实值；将所述被标注为健康的柑橘叶片参考训练多光谱图像和所述被检测柑橘叶片的训练多光谱图像输入所述基于空洞卷积神经网络模型的多光谱特征提取器以得到训练柑橘叶片检测浅层特征图、训练柑橘叶片检测中层特征图、训练柑橘叶片检测深层特征图、训练柑橘叶片参考浅层特征图、训练柑橘叶片参考中层特征图和训练柑橘叶片参考深层特征图；计算所述训练柑橘叶片检测浅层特征图和所述训练柑橘叶片参考浅层特征图之间的差分特征图，所述训练柑橘叶片检测中层特征图和所述训练柑橘叶片参考中层特征图之间的差分特征图以及所述训练柑橘叶片检测深层特征图和所述训练柑橘叶片参考深层特征图之间的差分特征图以得到训练柑橘叶片浅层差分特征图、训练柑橘叶片中层差分特征图和训练柑橘叶片语义差分特征图；将所述训练柑橘叶片浅层差分特征图、所述训练柑橘叶片中层差分特征图和所述训练柑橘叶片语义差分特征图分别通过所述门控筛选自适应注意力模块以得到训练自适应强化柑橘叶片浅层差分特征图、训练自适应强化柑橘叶片中层差分特征图和训练自适应强化柑橘叶片语义差分特征图；融合所述训练自适应强化柑橘叶片浅层差分特征图、所述训练自适应强化柑橘叶片中层差分特征图和所述训练自适应强化柑橘叶片语义差分特征图以得到训练柑橘叶片全局多维度显著差分特征图；将所述训练柑橘叶片全局多维度显著差分特征图通过所述基于分类器的黄龙病监测模块以得到分类损失函数值；基于所述训练柑橘叶片全局多维度显著差分特征图，计算柑橘叶片全局多维度显著差分损失函数值；以及，以所述分类损失函数值和所述柑橘叶片全局多维度显著差分损失函数值的加权和作为最终损失函数值，并通过梯度下降的反向传播来对所述基于空洞卷积神经网络模型的多光谱特征提取器、所述门控筛选自适应注意力模块和所述基于分类器的黄龙病监测模块进行训练。
19、与现有技术相比，本技术提供的一种基于无人机多光谱的柑橘黄龙病监测方法，其通过由无人机搭载的多光谱相机采集的被检测柑橘叶片的多光谱图像，且从数据库提取被标注为健康的柑橘叶片参考多光谱图像，并采用基于深度学习的图像监测的分析和处理技术对所述被检测柑橘叶片的多光谱图像和所述柑橘叶片参考多光谱图像进行图像特征提取和差分计算，以此根据所述被检测柑橘叶片的多光谱图像和所述柑橘叶片参考多光谱图像之间的多维度显著差分特征来自动地判别被检测柑橘叶片是否存在黄龙病。通过该方式，能够利用无人机搭载的多光谱相机实时并快速采集数据，并更准确地识别出柑橘叶片的黄龙病特征，从而来及时采取措施，以防止病害扩散。
1.一种基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，包括：
2.根据权利要求1所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，对所述被标注为健康的柑橘叶片参考多光谱图像和所述被检测柑橘叶片的多光谱图像进行多光谱多尺度特征提取以得到柑橘叶片检测浅层特征图、柑橘叶片检测中层特征图、柑橘叶片检测深层特征图、柑橘叶片参考浅层特征图、柑橘叶片参考中层特征图和柑橘叶片参考深层特征图，包括：将所述被标注为健康的柑橘叶片参考多光谱图像和所述被检测柑橘叶片的多光谱图像输入基于空洞卷积神经网络模型的多光谱特征提取器以得到所述柑橘叶片检测浅层特征图、所述柑橘叶片检测中层特征图、所述柑橘叶片检测深层特征图、所述柑橘叶片参考浅层特征图、所述柑橘叶片参考中层特征图和所述柑橘叶片参考深层特征图。
3.根据权利要求2所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，将所述柑橘叶片浅层差分特征图、所述柑橘叶片中层差分特征图和所述柑橘叶片语义差分特征图分别通过门控筛选自适应注意力模块以得到自适应强化柑橘叶片浅层差分特征图、自适应强化柑橘叶片中层差分特征图和自适应强化柑橘叶片语义差分特征图，包括：
4.根据权利要求3所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，对所述柑橘叶片浅层差分特征图沿通道维度的各个特征矩阵进行多种方式池化处理以得到柑橘叶片浅层差分全局最大值池化特征向量、柑橘叶片浅层差分全局均值池化特征向量和柑橘叶片浅层差分全局随机值池化特征向量，包括：对所述柑橘叶片浅层差分特征图沿通道维度的各个特征矩阵分别进行基于最大值的全局池化处理、基于平均值的全局池化处理和基于随机值的全局池化处理以得到所述柑橘叶片浅层差分全局最大值池化特征向量、所述柑橘叶片浅层差分全局均值池化特征向量和所述柑橘叶片浅层差分全局随机值池化特征向量。
5.根据权利要求4所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，对所述柑橘叶片浅层差分全局最大值池化特征向量、所述柑橘叶片浅层差分全局均值池化特征向量和所述柑橘叶片浅层差分全局随机值池化特征向量进行加权融合以得到柑橘叶片浅层差分全局表示向量，包括：
6.根据权利要求5所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，对所述柑橘叶片浅层差分全局表示向量进行基于全连接层的逐通道语义特征交互和特征激活以得到柑橘叶片浅层差分通道语义特征向量，包括：
7.根据权利要求6所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，将所述柑橘叶片浅层差分通道语义特征向量输入门控单元以得到门控筛选柑橘叶片浅层差分通道语义特征向量，包括：响应于所述柑橘叶片浅层差分通道语义特征向量中的各个位置特征值大于或等于预定阈值，该位置特征值取原值，否则为零，以得到所述门控筛选柑橘叶片浅层差分通道语义特征向量。
8.根据权利要求7所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，基于所述柑橘叶片全局多维度显著差分特征，得到监测结果，包括：将所述柑橘叶片全局多维度显著差分特征图通过基于分类器的黄龙病监测模块以得到所述监测结果。
9.根据权利要求8所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，还包括训练步骤：用于对所述基于空洞卷积神经网络模型的多光谱特征提取器、所述门控筛选自适应注意力模块和所述基于分类器的黄龙病监测模块进行训练。
10.根据权利要求9所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，所述训练步骤，包括：
