本發(fā)明涉及人工智能與水產(chǎn)養(yǎng)殖，尤其涉及一種基于深度遷移學(xué)習(xí)的生蠔病害智能診斷方法。

背景技術(shù)：

1、生蠔是重要的水產(chǎn)養(yǎng)殖物種，廣泛分布于全球海岸區(qū)域，其養(yǎng)殖業(yè)已成為許多國(guó)家和地區(qū)的重要經(jīng)濟(jì)來源。然而，生蠔養(yǎng)殖過程中經(jīng)常受到各種病害的影響，嚴(yán)重影響其產(chǎn)量和質(zhì)量。病害的早期發(fā)現(xiàn)與診斷對(duì)于采取及時(shí)有效的防治措施至關(guān)重要。傳統(tǒng)的生蠔病害診斷方法通常依賴人工觀察和經(jīng)驗(yàn)判斷，這種方式不僅勞動(dòng)強(qiáng)度大、效率低，而且容易受到人為因素的影響，診斷結(jié)果的準(zhǔn)確性和可靠性較差。

2、近年來，隨著計(jì)算機(jī)視覺和深度學(xué)習(xí)技術(shù)的迅速發(fā)展，基于圖像的自動(dòng)化生物疾病診斷方法逐漸成為研究熱點(diǎn)。通過圖像分析，計(jì)算機(jī)可以快速、準(zhǔn)確地識(shí)別出生蠔病害的相關(guān)特征，從而實(shí)現(xiàn)自動(dòng)化診斷。現(xiàn)有技術(shù)中，許多方法依賴于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類，然而，由于訓(xùn)練數(shù)據(jù)集的有限性以及網(wǎng)絡(luò)模型的復(fù)雜性，傳統(tǒng)的深度學(xué)習(xí)模型在處理生蠔病害的復(fù)雜背景和微小特征時(shí)存在較大挑戰(zhàn)。

3、同時(shí)，雖然有一些研究通過遷移學(xué)習(xí)方法利用大規(guī)模的通用數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，并對(duì)目標(biāo)領(lǐng)域數(shù)據(jù)進(jìn)行遷移優(yōu)化，從而提高模型的訓(xùn)練效果，但現(xiàn)有的遷移學(xué)習(xí)方法往往未能充分考慮病害圖像的細(xì)微差異和多階段發(fā)展過程。此外，現(xiàn)有的基于深度學(xué)習(xí)的病害診斷模型普遍缺乏對(duì)不同分辨率特征的逐級(jí)處理，無法充分捕捉到生蠔病害圖像中微小異常區(qū)域的細(xì)節(jié)特征，導(dǎo)致模型診斷效果的不穩(wěn)定性和精確性差。

4、因此，如何通過深度遷移學(xué)習(xí)方法，結(jié)合圖像的多分辨率特征和異步動(dòng)態(tài)調(diào)節(jié)機(jī)制，有效提高生蠔病害圖像的診斷準(zhǔn)確性和實(shí)時(shí)性，解決現(xiàn)有技術(shù)中存在的訓(xùn)練不穩(wěn)定、識(shí)別精度低等問題，成為了本領(lǐng)域技術(shù)人員亟需解決的關(guān)鍵問題。

5、因此，如何提供一種基于深度遷移學(xué)習(xí)的生蠔病害智能診斷方法是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的一個(gè)目的在于提出一種基于深度遷移學(xué)習(xí)的生蠔病害智能診斷方法，針對(duì)現(xiàn)有技術(shù)中生蠔病害診斷精度低、實(shí)時(shí)性差以及傳統(tǒng)方法依賴人工判斷的問題，提出了通過深度遷移學(xué)習(xí)結(jié)合多分辨率門控槽注意力機(jī)制和異步突觸門控動(dòng)態(tài)調(diào)節(jié)網(wǎng)絡(luò)的技術(shù)方案。

2、根據(jù)本發(fā)明實(shí)施例的一種基于深度遷移學(xué)習(xí)的生蠔病害智能診斷方法，包括：

3、采集待診斷生蠔的圖像數(shù)據(jù)，構(gòu)建多尺度標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)集；

4、以基于imagenet數(shù)據(jù)集預(yù)訓(xùn)練的視覺transformer模型為初始模型，通過逐層逆序漸進(jìn)式的深度遷移訓(xùn)練策略，獲得遷移學(xué)習(xí)模型；

5、在遷移學(xué)習(xí)模型中構(gòu)建若干分辨率逐級(jí)遞增的門控槽注意力單元，逐層逐步計(jì)算并動(dòng)態(tài)調(diào)整遷移學(xué)習(xí)模型輸出的圖像特征在各門控槽注意力單元中的注意力權(quán)重，獲得多層次的遞進(jìn)式注意力特征表達(dá)；

6、引入動(dòng)態(tài)調(diào)節(jié)網(wǎng)絡(luò)，以多層次的遞進(jìn)式注意力特征表達(dá)之間的差異作為觸發(fā)條件，對(duì)不同層次的遞進(jìn)式注意力特征表達(dá)分別進(jìn)行調(diào)節(jié)，獲得異步門控注意力特征表達(dá)；

7、以異步門控注意力特征表達(dá)為基礎(chǔ)，按照逐級(jí)相似性增強(qiáng)原則依次進(jìn)行雙向交叉融合處理，獲得融合特征表達(dá)；

8、利用融合特征表達(dá)驅(qū)動(dòng)預(yù)先構(gòu)建的并行級(jí)聯(lián)式分類網(wǎng)絡(luò)，輸出生蠔病害診斷結(jié)果。

9、可選的，所述采集待診斷生蠔的圖像數(shù)據(jù)，構(gòu)建多尺度標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)集，具體為：

10、針對(duì)待診斷生蠔的圖像數(shù)據(jù)，設(shè)定統(tǒng)一的圖像數(shù)據(jù)采集條件；

11、對(duì)每只待診斷生蠔進(jìn)行多角度圖像采集，獲取每只生蠔的背部、腹部及側(cè)面視角圖像，并分別進(jìn)行去噪、對(duì)比度增強(qiáng)及標(biāo)準(zhǔn)尺寸裁剪；

12、根據(jù)生蠔養(yǎng)殖過程中常見的病害類型及養(yǎng)殖專家給出的病害分期標(biāo)準(zhǔn)，預(yù)先確定病害類型劃分標(biāo)準(zhǔn)和病害發(fā)展階段的分級(jí)標(biāo)準(zhǔn)；

13、由水產(chǎn)養(yǎng)殖專家對(duì)采集到的多角度圖像逐一進(jìn)行病害類別與病害階段的人工初步標(biāo)注，建立病害類別與病害階段的初步標(biāo)注數(shù)據(jù)表；

14、通過專家評(píng)審小組，對(duì)初步標(biāo)注數(shù)據(jù)表進(jìn)行復(fù)核并修正；

15、對(duì)專家評(píng)審確認(rèn)后的所有角度圖像標(biāo)注數(shù)據(jù)以統(tǒng)一數(shù)據(jù)格式進(jìn)行編碼，分別形成病害類別標(biāo)簽和病害階段標(biāo)簽；

16、將完成編碼后的圖像數(shù)據(jù)及其對(duì)應(yīng)的病害類別標(biāo)簽與病害階段標(biāo)簽共同組成多尺度標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)集。

17、可選的，所述以基于imagenet數(shù)據(jù)集預(yù)訓(xùn)練的視覺transformer模型為初始模型，通過逐層逆序漸進(jìn)式的深度遷移訓(xùn)練策略，獲得遷移學(xué)習(xí)模型，具體為：

18、基于imagenet數(shù)據(jù)集對(duì)視覺transformer模型進(jìn)行預(yù)訓(xùn)練，確定所有特征提取層的初始權(quán)重參數(shù)，并進(jìn)行凍結(jié)處理；

19、將多尺度標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)集劃分為訓(xùn)練子集、驗(yàn)證子集和測(cè)試子集；

20、按照逐層逆序漸進(jìn)式的深度遷移訓(xùn)練策略，從最深位置單一特征提取層開始，對(duì)權(quán)重參數(shù)進(jìn)行解凍處理，同時(shí)利用訓(xùn)練子集進(jìn)行首次遷移訓(xùn)練；

21、完成最深位置單一特征提取層的首次遷移訓(xùn)練后，逐步向淺層特征提取層依次逆序遞進(jìn)，并對(duì)當(dāng)前遞進(jìn)到的特征提取層權(quán)重參數(shù)進(jìn)行解凍，形成連續(xù)解凍權(quán)重參數(shù)區(qū)域，并利用訓(xùn)練子集對(duì)連續(xù)解凍權(quán)重參數(shù)區(qū)域進(jìn)行整體聯(lián)合遷移訓(xùn)練；

22、在每一輪聯(lián)合遷移訓(xùn)練完成后，利用驗(yàn)證子集計(jì)算當(dāng)前遷移學(xué)習(xí)模型的診斷準(zhǔn)確率，并將所述診斷準(zhǔn)確率與預(yù)設(shè)的收斂條件閾值進(jìn)行比較，若未達(dá)到所述收斂條件閾值，則重復(fù)對(duì)當(dāng)前已解凍的全部特征提取層的權(quán)重參數(shù)進(jìn)行聯(lián)合遷移訓(xùn)練，直至診斷準(zhǔn)確率達(dá)到或超過所述收斂條件閾值；

23、完成所有特征提取層自深層至淺層逐層逆序解凍和遷移訓(xùn)練后，通過測(cè)試子集計(jì)算訓(xùn)練完成后的整體遷移學(xué)習(xí)模型的最終診斷準(zhǔn)確率；

24、當(dāng)整體遷移學(xué)習(xí)模型針對(duì)測(cè)試子集的診斷準(zhǔn)確率達(dá)到或超過預(yù)定性能要求時(shí)，輸出最終的遷移學(xué)習(xí)模型。

25、可選的，所述從最深位置單一特征提取層開始，對(duì)權(quán)重參數(shù)進(jìn)行解凍處理，同時(shí)利用訓(xùn)練子集進(jìn)行首次遷移訓(xùn)練，具體為：

26、從訓(xùn)練子集中隨機(jī)選取一批圖像數(shù)據(jù)輸入視覺transformer模型，計(jì)算最深位置單一特征提取層內(nèi)各神經(jīng)元對(duì)輸入圖像數(shù)據(jù)中不同病害類別和不同病害階段圖像特征的敏感響應(yīng)強(qiáng)度；

27、根據(jù)各神經(jīng)元的敏感響應(yīng)強(qiáng)度對(duì)所述最深位置單一特征提取層內(nèi)的全部神經(jīng)元進(jìn)行排序，并根據(jù)敏感響應(yīng)強(qiáng)度閾值確定神經(jīng)元的權(quán)重參數(shù)解凍狀態(tài)；

28、從訓(xùn)練子集中選取涵蓋所有病害類別和所有病害階段的圖像數(shù)據(jù)樣本，構(gòu)成多個(gè)大小一致的訓(xùn)練批次，并通過小批量隨機(jī)梯度下降法對(duì)處于解凍狀態(tài)的神經(jīng)元權(quán)重參數(shù)進(jìn)行首次遷移訓(xùn)練；

29、每個(gè)訓(xùn)練批次的首次遷移訓(xùn)練完成后，使用當(dāng)前訓(xùn)練批次的圖像數(shù)據(jù)再次輸入視覺transformer模型，重新計(jì)算最深位置單一特征提取層中所有神經(jīng)元的敏感響應(yīng)強(qiáng)度，并更新全部神經(jīng)元權(quán)重參數(shù)的解凍狀態(tài)；

30、記錄每個(gè)訓(xùn)練批次完成后全部神經(jīng)元敏感響應(yīng)強(qiáng)度的變化情況，形成完整的神經(jīng)元敏感響應(yīng)強(qiáng)度變化軌跡；

31、在完成所有訓(xùn)練批次的首次遷移訓(xùn)練后，對(duì)形成的神經(jīng)元敏感響應(yīng)強(qiáng)度變化軌跡進(jìn)行統(tǒng)計(jì)分析，當(dāng)全部神經(jīng)元的敏感響應(yīng)強(qiáng)度變化幅度進(jìn)入預(yù)先設(shè)定的穩(wěn)定范圍時(shí)，確定最深位置單一特征提取層的首次遷移訓(xùn)練過程結(jié)束。

32、可選的，所述在遷移學(xué)習(xí)模型中構(gòu)建若干分辨率逐級(jí)遞增的門控槽注意力單元，逐層逐步計(jì)算并動(dòng)態(tài)調(diào)整遷移學(xué)習(xí)模型輸出的圖像特征在各門控槽注意力單元中的注意力權(quán)重，獲得多層次的遞進(jìn)式注意力特征表達(dá)，具體為：

33、在遷移學(xué)習(xí)模型中特征提取層輸出的初始圖像特征表達(dá)基礎(chǔ)上，設(shè)定多個(gè)門控槽注意力單元，并預(yù)設(shè)唯一的分辨率參數(shù)；

34、以最低分辨率門控槽注意力單元為起始計(jì)算單元，輸入初始圖像特征表達(dá)，計(jì)算獲得門控槽注意力單元對(duì)應(yīng)的初始注意力權(quán)重分布；

35、將最低分辨率門控槽注意力單元輸出的初始注意力權(quán)重分布及圖像特征輸入至下一高分辨率門控槽注意力單元，計(jì)算本單元對(duì)應(yīng)的細(xì)化注意力權(quán)重分布；

36、針對(duì)每個(gè)高分辨率門控槽注意力單元，在計(jì)算本單元細(xì)化注意力權(quán)重分布時(shí)，根據(jù)預(yù)先設(shè)定的注意力動(dòng)態(tài)調(diào)整系數(shù)，對(duì)上一低分辨率單元的注意力權(quán)重分布中權(quán)重值較高的區(qū)域進(jìn)行權(quán)重的自適應(yīng)強(qiáng)化；

37、依次逐級(jí)向更高分辨率門控槽注意力單元推進(jìn)，形成每層門控槽注意力單元各自對(duì)應(yīng)的遞進(jìn)式注意力權(quán)重分布；

38、匯總所有門控槽注意力單元輸出的各層遞進(jìn)式注意力權(quán)重分布，并進(jìn)行跨分辨率融合計(jì)算，獲得融合注意力權(quán)重分布；

39、利用所述融合注意力權(quán)重分布對(duì)遷移學(xué)習(xí)模型中特征提取層輸出的初始圖像特征表達(dá)進(jìn)行注意力權(quán)重調(diào)整，形成多層次的遞進(jìn)式注意力特征表達(dá)。

40、可選的，所述針對(duì)每個(gè)高分辨率門控槽注意力單元，在計(jì)算本單元細(xì)化注意力權(quán)重分布時(shí)，根據(jù)預(yù)先設(shè)定的注意力動(dòng)態(tài)調(diào)整系數(shù)，對(duì)上一低分辨率單元的注意力權(quán)重分布中權(quán)重值較高的區(qū)域進(jìn)行權(quán)重的自適應(yīng)強(qiáng)化，具體為：

41、對(duì)每個(gè)高分辨率門控槽注意力單元，確定與上一低分辨率門控槽注意力單元之間對(duì)應(yīng)特征區(qū)域的映射關(guān)系，并進(jìn)行區(qū)域映射處理，獲得區(qū)域映射后的注意力權(quán)重分布；

42、對(duì)區(qū)域映射后的注意力權(quán)重分布中全部區(qū)域的權(quán)重值進(jìn)行排序，按照預(yù)先設(shè)定的高注意力權(quán)重閾值確定待強(qiáng)化區(qū)域；

43、定義注意力動(dòng)態(tài)調(diào)整系數(shù)為可變參數(shù)，所述注意力動(dòng)態(tài)調(diào)整系數(shù)根據(jù)待強(qiáng)化區(qū)域與相鄰非強(qiáng)化區(qū)域的注意力權(quán)重值差異進(jìn)行確定；

44、針對(duì)每個(gè)確定的待強(qiáng)化區(qū)域，計(jì)算待強(qiáng)化區(qū)域的原始注意力權(quán)重值與對(duì)應(yīng)注意力動(dòng)態(tài)調(diào)整系數(shù)的乘積，并疊加至待強(qiáng)化區(qū)域原始注意力權(quán)重值上，獲得自適應(yīng)強(qiáng)化后的區(qū)域注意力權(quán)重值；

45、對(duì)全部待強(qiáng)化區(qū)域執(zhí)行自適應(yīng)強(qiáng)化過程，并實(shí)時(shí)更新高分辨率門控槽注意力單元的細(xì)化注意力權(quán)重分布；

46、將更新完成的高分辨率門控槽注意力單元細(xì)化注意力權(quán)重分布輸入至下一個(gè)更高分辨率門控槽注意力單元，繼續(xù)執(zhí)行注意力權(quán)重自適應(yīng)強(qiáng)化過程，直至完成最高分辨率門控槽注意力單元的細(xì)化注意力權(quán)重分布計(jì)算。

47、可選的，所述引入動(dòng)態(tài)調(diào)節(jié)網(wǎng)絡(luò)，以多層次的遞進(jìn)式注意力特征表達(dá)之間的差異作為觸發(fā)條件，對(duì)不同層次的遞進(jìn)式注意力特征表達(dá)分別進(jìn)行調(diào)節(jié)，獲得異步門控注意力特征表達(dá)，具體為：

48、在動(dòng)態(tài)調(diào)節(jié)網(wǎng)絡(luò)內(nèi)設(shè)置多個(gè)突觸門控單元；

49、以最低分辨率門控槽注意力單元輸出的遞進(jìn)式注意力特征表達(dá)為初始基準(zhǔn)，計(jì)算與緊鄰遞進(jìn)式注意力特征表達(dá)之間的差異數(shù)值，并定義為異步觸發(fā)條件；

50、針對(duì)每個(gè)突觸門控單元，以異步觸發(fā)條件達(dá)到預(yù)先設(shè)定的觸發(fā)閾值為判定標(biāo)準(zhǔn)，對(duì)當(dāng)前突觸門控單元進(jìn)行激活；

51、針對(duì)被激活的突觸門控單元，根據(jù)遞進(jìn)式注意力特征表達(dá)，計(jì)算對(duì)應(yīng)分辨率注意力特征表達(dá)中各個(gè)特征區(qū)域的動(dòng)態(tài)變化幅度，并對(duì)注意力特征表達(dá)中各個(gè)特征區(qū)域的權(quán)重進(jìn)行實(shí)時(shí)調(diào)節(jié)；

52、每次實(shí)時(shí)調(diào)節(jié)結(jié)束后，重新計(jì)算當(dāng)前分辨率的遞進(jìn)式注意力特征表達(dá)與下一更高分辨率的遞進(jìn)式注意力特征表達(dá)之間的差異數(shù)值，并更新異步觸發(fā)條件的數(shù)值狀態(tài)，動(dòng)態(tài)判斷更高分辨率對(duì)應(yīng)的突觸門控單元是否達(dá)到激活條件；

53、持續(xù)對(duì)全部遞進(jìn)式注意力特征表達(dá)執(zhí)行自適應(yīng)調(diào)節(jié)過程，直至所有差異數(shù)值均降至預(yù)先設(shè)定的穩(wěn)定閾值范圍內(nèi)；

54、在全部突觸門控單元完成實(shí)時(shí)調(diào)節(jié)后，將所有經(jīng)過動(dòng)態(tài)調(diào)節(jié)的遞進(jìn)式注意力特征表達(dá)進(jìn)行融合，獲得異步門控注意力特征表達(dá)。

55、可選的，所述針對(duì)被激活的突觸門控單元，根據(jù)遞進(jìn)式注意力特征表達(dá)，計(jì)算對(duì)應(yīng)分辨率注意力特征表達(dá)中各個(gè)特征區(qū)域的動(dòng)態(tài)變化幅度，并對(duì)注意力特征表達(dá)中各個(gè)特征區(qū)域的權(quán)重進(jìn)行實(shí)時(shí)調(diào)節(jié)，具體為：

56、對(duì)每個(gè)被激活的突觸門控單元，確定當(dāng)前突觸門控單元對(duì)應(yīng)分辨率的遞進(jìn)式注意力特征表達(dá)與相鄰較低分辨率注意力特征表達(dá)之間的區(qū)域映射關(guān)系；

57、根據(jù)區(qū)域映射關(guān)系，針對(duì)當(dāng)前突觸門控單元對(duì)應(yīng)分辨率遞進(jìn)式注意力特征表達(dá)中的每個(gè)特征區(qū)域，計(jì)算數(shù)值差異；

58、將每個(gè)特征區(qū)域計(jì)算獲得的數(shù)值差異定義為對(duì)應(yīng)特征區(qū)域的動(dòng)態(tài)變化幅度，并針對(duì)所有特征區(qū)域逐一獲得動(dòng)態(tài)變化幅度數(shù)值；

59、定義特征區(qū)域注意力權(quán)重實(shí)時(shí)調(diào)節(jié)系數(shù)，特征區(qū)域注意力權(quán)重實(shí)時(shí)調(diào)節(jié)系數(shù)通過當(dāng)前特征區(qū)域的動(dòng)態(tài)變化幅度與預(yù)先設(shè)定的動(dòng)態(tài)變化閾值的比值確定；

60、針對(duì)每個(gè)特征區(qū)域，計(jì)算更新后的注意力權(quán)重?cái)?shù)值；

61、實(shí)時(shí)完成全部特征區(qū)域的注意力權(quán)重更新后，獲得調(diào)節(jié)后的遞進(jìn)式注意力特征表達(dá)；

62、采用實(shí)時(shí)調(diào)節(jié)后的遞進(jìn)式注意力特征表達(dá)持續(xù)更新下一時(shí)間步的動(dòng)態(tài)變化幅度，循環(huán)執(zhí)行前述特征區(qū)域動(dòng)態(tài)變化幅度計(jì)算與注意力權(quán)重實(shí)時(shí)調(diào)節(jié)過程，直至當(dāng)前突觸門控單元注意力權(quán)重變化穩(wěn)定于預(yù)先設(shè)定的注意力權(quán)重變化閾值范圍內(nèi)。

63、可選的，所述以異步門控注意力特征表達(dá)為基礎(chǔ)，按照逐級(jí)相似性增強(qiáng)原則依次進(jìn)行雙向交叉融合處理，獲得融合特征表達(dá)，具體為：

64、以異步門控注意力特征表達(dá)為融合處理的輸入數(shù)據(jù)，將異步門控注意力特征表達(dá)按照對(duì)應(yīng)門控槽注意力單元的分辨率參數(shù)由低到高的順序進(jìn)行排序；

65、從排序后的最低分辨率異步門控注意力特征表達(dá)開始，計(jì)算相鄰分辨率異步之間的特征空間相似度，得到初始特征空間相似度數(shù)值；

66、依據(jù)初始特征空間相似度數(shù)值，定義逐級(jí)相似性增強(qiáng)系數(shù)；

67、以逐級(jí)相似性增強(qiáng)系數(shù)為基準(zhǔn)，對(duì)最低分辨率異步門控注意力特征表達(dá)與相鄰較高分辨率異步門控注意力特征表達(dá)進(jìn)行雙向交叉融合計(jì)算，生成首個(gè)融合特征表達(dá)；

68、將首個(gè)融合特征表達(dá)與下一個(gè)更高分辨率的異步門控注意力特征表達(dá)再次進(jìn)行特征空間相似度測(cè)量，并基于計(jì)算結(jié)果動(dòng)態(tài)更新逐級(jí)相似性增強(qiáng)系數(shù)；

69、依據(jù)更新后的逐級(jí)相似性增強(qiáng)系數(shù)，繼續(xù)進(jìn)行雙向交叉融合計(jì)算，并逐級(jí)向最高分辨率異步門控注意力特征表達(dá)方向推進(jìn)，直至完成全部分辨率異步門控注意力特征表達(dá)的融合計(jì)算；

70、完成全部雙向交叉融合計(jì)算后，獲得融合特征表達(dá)。

71、可選的，所述利用融合特征表達(dá)驅(qū)動(dòng)預(yù)先構(gòu)建的并行級(jí)聯(lián)式分類網(wǎng)絡(luò)，輸出生蠔病害診斷結(jié)果，具體為：

72、依據(jù)融合特征表達(dá)預(yù)先構(gòu)建多個(gè)獨(dú)立的初級(jí)分類子網(wǎng)絡(luò)；

73、將融合特征表達(dá)同時(shí)輸入至所有初級(jí)分類子網(wǎng)絡(luò)，分別獲得每個(gè)初級(jí)分類子網(wǎng)絡(luò)輸出的初步分類概率值；

74、設(shè)定初步分類概率值的可信度閾值，當(dāng)初級(jí)分類子網(wǎng)絡(luò)輸出的初步分類概率值大于或等于可信度閾值時(shí)，將對(duì)應(yīng)病害類型確定為初步可信分類結(jié)果，當(dāng)初步分類概率值小于可信度閾值時(shí)，則進(jìn)入下一步級(jí)聯(lián)判別；

75、針對(duì)未達(dá)到可信度閾值的初步分類概率值，采用對(duì)應(yīng)的二級(jí)分類子網(wǎng)絡(luò)進(jìn)行下一步級(jí)聯(lián)判別；

76、基于二級(jí)分類子網(wǎng)絡(luò)輸出的類別差異數(shù)值，對(duì)當(dāng)前輸入特征表達(dá)進(jìn)行病害類別的重新判別；

77、當(dāng)二級(jí)分類子網(wǎng)絡(luò)輸出的分類結(jié)果當(dāng)未達(dá)到分類可信度閾值時(shí)，則調(diào)用相應(yīng)的三級(jí)分類子網(wǎng)絡(luò)進(jìn)行再次判別；

78、完成全部逐級(jí)分類判別過程后，將所有確定的病害類型分類結(jié)果與融合特征表達(dá)對(duì)應(yīng)，并輸出生蠔病害診斷結(jié)果。

79、本發(fā)明的有益效果是：

80、本發(fā)明通過采用基于深度遷移學(xué)習(xí)的視覺transformer模型、逐層逆序漸進(jìn)式訓(xùn)練策略以及多分辨率門控槽注意力單元和異步突觸門控動(dòng)態(tài)調(diào)節(jié)網(wǎng)絡(luò)，顯著提升了生蠔病害智能診斷的準(zhǔn)確性和實(shí)時(shí)性。該方法能夠有效解決現(xiàn)有技術(shù)中傳統(tǒng)人工診斷依賴較強(qiáng)且病害識(shí)別精度低的問題，突破了現(xiàn)有方法在處理復(fù)雜病害圖像和微小特征識(shí)別方面的瓶頸。通過多層次的遞進(jìn)式注意力特征表達(dá)與精細(xì)化分類判別，本發(fā)明優(yōu)化了生蠔病害的自動(dòng)診斷過程，并提高了對(duì)不同病害階段的識(shí)別能力。在實(shí)際應(yīng)用中，能夠顯著增強(qiáng)診斷的穩(wěn)定性和可靠性，并具有較強(qiáng)的通用性和適應(yīng)性，適用于廣泛的水產(chǎn)養(yǎng)殖和病害監(jiān)測(cè)場(chǎng)景。