本发明涉及水稻病害评估，特别是涉及一种水稻病叶严重程度估计方法及系统。
背景技术：
1、水稻是全球最重要的粮食作物之一，其产量和质量对全球粮食安全有着重要影响。然而，水稻在生长过程中容易受到多种病虫害的侵袭，其中胡麻叶斑病是一种常见且危害性强的病害。它的发病周期横跨了从秧苗到成熟期的整个水稻生长阶段。在稻株的各个部位，无论是嫩芽、叶片还是稻穗，都有可能受到该病害的侵害。其中，叶片是最常受影响的部位，然而，不同部位在感染胡麻斑病后所展现的症状各有差异。这一病害的广泛性和多样性对水稻的产量和品质构成了长期威胁。因此，及时准确地估计胡麻叶斑病的严重程度，对于水稻病害的尽早防治和提高水稻产量具有重要意义。
2、在早期，对水稻胡麻叶斑病严重程度的估计主要依赖于人工观察和经验判断。这种方法不仅耗时费力，而且容易受到人为主观因素的影响，导致估计结果的不准确。近年来，一些研究者尝试使用图像处理和机器学习技术对水稻病虫害进行类别识别和严重程度估计，但这些方法在实际应用中仍存在一些问题。例如，传统的图像处理算法对图像质量要求较高，容易受到光照、阴影等环境因素的影响；而传统的机器学习模型则需要先对病叶图像进行预处理，去除杂乱的背景并分割出叶片上的病斑部分，再进行颜色、形状等关键特征的提取，最后送入模型中进行疾病严重程度分级。这类方法操作较为繁琐，且比较依赖病斑区域分割和特征选择的准确性。
3、已有的一些研究中，已经开始利用计算机视觉和深度学习技术来自动化地估计病害程度。其中，常用的深度学习模型包括resnet、inception等，这些模型虽然在图像分类任务中表现优异，但其计算复杂度较高，难以在资源受限的设备上应用。同时，经典的卷积神经网络在处理图像时，无法充分利用图像中不同区域的重要性信息，导致对病害区域的关注度不足。
技术实现思路
1、有鉴于此，本发明提供了至少可以解决上述部分技术问题的一种水稻病叶严重程度估计方法及系统，可以快速高效准确地估计水稻病叶的严重程度。
2、为实现上述目的，本发明采取的技术方案为：
3、第一方面，本发明实施例提供一种水稻病叶严重程度估计方法，该方法包括以下步骤：
4、s1、采用mobilenetv3作为主干网络，并基于多尺度全局特征提取和注意力机制构建水稻病叶严重程度估计模型；
5、s2、对构建的所述水稻病叶严重程度估计模型进行训练；
6、s3、利用训练好的水稻病叶严重程度估计模型进行水稻病叶严重程度估计。
7、进一步地，所述步骤s1中，构建的所述水稻病叶严重程度估计模型包括依次连接的：主干网络，多尺度全局特征提取模块和不同尺度注意增强模块；其中：
8、所述主干网络为轻量级mobilenetv3网络，并移除mobilenetv3网络的最后两个瓶颈结构和分类层，用于进行病叶图像的特征提取；
9、所述多尺度全局特征提取模块包含多个分支，用于多尺度信息提取，每个分支采用预设大小的膨胀卷积进行多个尺度的特征提取，通过扩大感受野提取更大范围的全局信息；
10、所述不同尺度注意增强模块用于对多尺度全局特征提取模块的输出结果进行不同尺度信息的注意力生成，将输入特征图与注意力分数相结合，得到不同尺度注意增强的特征图。
11、进一步地，所述主干网络包括：普通卷积模块和堆叠的瓶颈模块，其中：卷积模块为一个3×3普通卷积，用于进行下采样；每个瓶颈模块包含用于升维的逐点卷积、用于特征提取的深度可分离卷积以及用于降维的逐点卷积。
12、进一步地，堆叠的瓶颈模块数量为13个，其中，第4-6个和第11-13个瓶颈模块中分别加入se注意力模块。
13、进一步地，每个分支采用膨胀率为的n×n大小的膨胀卷积进行多个尺度的特征提取，通过扩大感受野提取更大范围的全局信息，其有效感受野的计算公式为：
14、
15、其中，rf表示有效感受野，表示膨胀率，n表示膨胀卷积核的大小，v表示分支序号。
16、进一步地，所述不同尺度注意增强模块中：
17、首先，对于(c，h，w)大小的特征图，其中c表示通道数、h表示特征图的高，w表示特征图的宽，采用全局平均池化操作和全局最大池化操作分别将每个通道的二维特征压缩成为一个实数，得到每个通道的全局平均值和全局最大值；再分别采用一个自适应大小的一维卷积核作用于(c，1，1)大小的特征图中，得到每个通道的权值向量；一维卷积核的大小k的计算公式为：
18、
19、其中，c表示通道数，λ是一个缩放因子，用于调整一维卷积核大小k随通道数c变化的速度，b是一个偏置项，模型中设置参数λ＝2，b＝1，|t|odd表示与数值t最接近的奇数；
20、然后，将两组权值向量进行逐元素相加，并采用sigmoid函数对每个通道的权值进行归一化，得到不同尺度的特征图注意力分数；
21、最后，将该模块的输入特征图和注意力分数相乘，得到不同尺度注意增强的特征图。
22、进一步地，所述步骤s2中，采用focal loss损失函数对所述水稻病叶严重程度估计模型进行训练，衡量模型预测的水稻病叶严重程度类别和真实严重程度类别之间的差异；所述focal loss损失函数的计算公式为：
23、
24、其中，yi是样本i对应的真实病害严重程度类别号，是模型对样本真实病害严重程度类别yi的预测概率，是对不同病害严重程度类别样本的重要性加权系数；γ是调节因子。
25、第二方面，本发明实施例还提供一种水稻病叶严重程度估计系统，应用上述的一种水稻病叶严重程度估计方法，进行水稻病叶严重程度估计，该系统包括：
26、模型构建模块，用于采用mobilenetv3作为主干网络，并基于多尺度全局特征提取和注意力机制构建水稻病叶严重程度估计模型；
27、模型训练模块，用于对构建的所述水稻病叶严重程度估计模型进行训练；
28、模型应用模块，用于利用训练好的水稻病叶严重程度估计模型进行水稻病叶严重程度估计。
29、与现有技术相比，本发明至少具有如下有益效果：
30、1.本发明提供了一种水稻病叶严重程度估计方法及系统，其中采用mobilenetv3作为主干网络，并基于多尺度全局特征提取和注意力机制构建水稻病叶严重程度估计模型，该模型能够自动地利用水稻疾病图像中不同尺度大小的病斑区域进行病斑特征提取和病叶严重程度的估计，提高了模型的泛化能力，可以快速高效准确地估计水稻病叶的严重程度。
31、2.本发明使用了focal loss损失函数对提出的模型进行训练，该损失函数能够更有效地关注水稻病叶数据集中难以区分的严重程度类别样本，从而在一定程度上缓解了数据集类别分布不均的难题。
32、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
33、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种水稻病叶严重程度估计方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种水稻病叶严重程度估计方法，其特征在于，所述步骤s1中，构建的所述水稻病叶严重程度估计模型包括依次连接的：主干网络，多尺度全局特征提取模块和不同尺度注意增强模块；其中：
3.根据权利要求2所述的一种水稻病叶严重程度估计方法，其特征在于，所述主干网络包括：普通卷积模块和堆叠的瓶颈模块，其中：卷积模块为一个3×3普通卷积，用于进行下采样；每个瓶颈模块包含用于升维的逐点卷积、用于特征提取的深度可分离卷积以及用于降维的逐点卷积。
4.根据权利要求3所述的一种水稻病叶严重程度估计方法，其特征在于，堆叠的瓶颈模块数量为13个，其中，第4-6个和第11-13个瓶颈模块中分别加入se注意力模块。
5.根据权利要求2所述的一种水稻病叶严重程度估计方法，其特征在于，每个分支采用膨胀率为的n×n大小的膨胀卷积进行多个尺度的特征提取，通过扩大感受野提取更大范围的全局信息，其有效感受野的计算公式为：
6.根据权利要求2所述的一种水稻病叶严重程度估计方法，其特征在于，所述不同尺度注意增强模块中：
7.根据权利要求1所述的一种水稻病叶严重程度估计方法，其特征在于，所述步骤s2中，采用focal loss损失函数对所述水稻病叶严重程度估计模型进行训练，衡量模型预测的水稻病叶严重程度类别和真实严重程度类别之间的差异；所述focal loss损失函数的计算公式为：
8.一种水稻病叶严重程度估计系统，其特征在于，应用如权利要求1-7任一项所述的一种水稻病叶严重程度估计方法，进行水稻病叶严重程度估计，该系统包括：
