本发明涉及智慧农业的，尤其是指一种基于改进mobilevit网络的水稻病害识别方法。
背景技术：
1、在水稻种植业中，准确快速地识别和管理水稻病害是一个关键且挑战性的任务。传统方法主要依靠人工观测进行病害识别，这不仅效率低下，耗时费力，而且容易受到操作者技术水平和经验的影响，导致识别准确度有限。随着计算机视觉和深度学习技术的快速发展，基于深度学习的水稻病害识别方法逐渐成为研究热点。这类方法能够利用其卓越的特征表示和泛化能力，在大量数据的支持下，自动提取图像中的复杂语义特征，从而提升识别的精度和效率。
2、尽管如此，目前深度学习技术在水稻病害识别方面仍面临诸多挑战。其中最显著的问题之一是，大多数深度学习网络往往伴随着庞大的网络参数和高昂的计算成本，这在实际农业应用环境中往往难以满足对资源的约束和快速响应的需求。此外，在追求轻量化网络架构的过程中，往往会出现识别精度的下降，这对于高精准度要求的农业应用场景而言是不可接受的。
技术实现思路
1、本发明的目的在于解决现有水稻病害识别技术中存在的局限性和不足，有效平衡网络的轻量化和高精度识别性能之间的矛盾，提出了一种更高效、精准且实用的基于改进mobilevit网络的水稻病害识别方法，通过创新性地融合轻量级网络与高效的深度学习算法，不仅显著降低网络的参数量和计算需求(即显著降低了计算资源的消耗)，同时也保证了病害识别的高准确率，为水稻病害的快速、准确识别提供了创新的技术解决方案，以适应农业应用中对快速响应和高效性的需求。
2、为实现上述目的，本发明所提供的技术方案为：基于改进mobilevit网络的水稻病害识别方法，该方法是基于改进mobilevit网络实现水稻病害的高效、精准识别，该mobilevit网络的改进包括：①在mobilevit网络的后两个block中，将原有的transformerencoder替换为更加高效的poolformer模块，在减少网络参数量的同时提高网络在水稻病害识别上的准确率；②在mv2模块的基础上添加了作为通道注意力机制的eca模块，用于提高网络的学习能力和鲁棒性，还为网络提供了更深层次的特征理解和分析能力，将添加了eca模块的mv2模块称为mbeca模块；③在mobilevit网络的最后一个1×1卷积层后面加入作为空间注意力机制的ca模块，用于深入挖掘和利用空间位置信息，通过动态学习和调整空间位置间的相关性，能有效强化对关键特征的识别和加权；
3、所述水稻病害识别方法的具体实施，包括：
4、获取待测的含多种水稻病害的图像数据并进行预处理，得到已标注病害种类的水稻病害图像数据；
5、将已标注病害种类的水稻病害图像数据输入已训练好的改进mobilevit网络中，经过改进mobilevit网络的3×3卷积层、mbeca模块、mobilevit block、poolformer模块、ca模块、全局平均池化层和线性层的处理后，输出最终的病害识别结果，即得到正确的病害类型。
6、进一步，所述预处理包括以下操作：
7、标准化处理：包括调整图像大小为224×224以适应网络输入要求，以及对图像像素值进行归一化，以提高网络处理效率；
8、图像标注：对每幅水稻病害图像进行类别标注，为后续的识别提供准确的训练基础；
9、随机裁剪：从图像中随机选取部分区域，用于增加数据的多样性和网络的鲁棒性；
10、随机水平翻转：以给定的50％概率随机水平翻转给定的图像；
11、中心裁剪：在中心截取给定的图像。
12、进一步，所述改进mobilevit网络对已标注病害种类的水稻病害图像数据进行以下处理：
13、输入图像数据首先经过一个3×3卷积层进行处理，该层使用步长为2的卷积操作对输入图像进行下采样，同时提取初步的特征信息；处理后的图像数据流向多个mbeca模块进行特征增强，这些mbeca模块结合了mv2模块和eca模块，eca模块通过有效地对通道间的关系进行建模，增强网络的表征能力，通过这种结合，网络在保持轻量级的同时，有效提取了更丰富和复杂的特征；接着，特征增强处理后的图像数据通过mobilevit block，利用自注意力机制处理图像，以捕获更深层次的语义信息；之后进入poolformer模块，该poolformer模块使用池化操作简化特征表示，同时保留关键信息，进一步增强网络的学习能力；在poolformer模块之后，再次经过mbeca模块，进一步增强特征表示，增加网络对细节的敏感性和鲁棒性；随后图像数据流经过一个1×1的卷积层，调整特征通道数后输入ca模块，ca模块负责在空间维度上对特征进行加权，以突出病害相关的关键区域；最后，经过全局平均池化层处理，减少特征维度并集中信息，得到的特征图再通过线性层进行分类，线性层使用全连接网络输出最终的病害类型。
14、本发明与现有技术相比，具有如下优点与有益效果：
15、本发明实现了在保持高识别精度的同时，显著降低网络的复杂度和计算需求。这一特点使得本发明方法非常适合在各种农业环境中应用，特别是在资源受限的场景中，如移动设备和边缘计算设备上的应用。因此，本发明的水稻病害识别方法不仅提高了识别效率和准确性，而且具有较低的计算成本和灵活性，为水稻病害的快速、准确识别提供了创新的技术解决方案，以适应农业应用中对快速响应和高效性的需求。
1.基于改进mobilevit网络的水稻病害识别方法，其特征在于，该方法是基于改进mobilevit网络实现水稻病害的高效、精准识别，该mobilevit网络的改进包括：①在mobilevit网络的后两个block中，将原有的transformer encoder替换为更加高效的poolformer模块，在减少网络参数量的同时提高网络在水稻病害识别上的准确率；②在mv2模块的基础上添加了作为通道注意力机制的eca模块，用于提高网络的学习能力和鲁棒性，还为网络提供了更深层次的特征理解和分析能力，将添加了eca模块的mv2模块称为mbeca模块；③在mobilevit网络的最后一个1×1卷积层后面加入作为空间注意力机制的ca模块，用于深入挖掘和利用空间位置信息，通过动态学习和调整空间位置间的相关性，能有效强化对关键特征的识别和加权；
2.根据权利要求1所述的基于改进mobilevit网络的水稻病害识别方法，其特征在于，所述预处理包括以下操作：
3.根据权利要求2所述的基于改进mobilevit网络的水稻病害识别方法，其特征在于，所述改进mobilevit网络对已标注病害种类的水稻病害图像数据进行以下处理：
