[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的蘋果樹干病害識(shí)別與分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910330282.4
• 申請(qǐng)日: 2019-04-23
• 公開（公告）號(hào): CN110097107A
• 公開（公告）日: 2019-08-06
• 發(fā)明（設(shè)計(jì)）人: 陳鵬;杭杰;章軍;王兵
• 申請(qǐng)（專利權(quán)）人: 安徽大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 北京和信華成知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11390
• 代理人: 胡劍輝

本發(fā)明公開了基于卷積神經(jīng)網(wǎng)絡(luò)的蘋果樹干病害識(shí)別與分類方法。將蘋果樹干的病害圖片進(jìn)行實(shí)地采集，考慮到拍攝位置，空間以及光線對(duì)圖片質(zhì)量的影響，對(duì)數(shù)據(jù)集進(jìn)行了擴(kuò)充，既能提高準(zhǔn)確率的同時(shí)，更多的考慮到實(shí)際情況給卷積神經(jīng)網(wǎng)絡(luò)模型帶來的負(fù)面影響。與人工判斷病害費(fèi)時(shí)費(fèi)力，以及不穩(wěn)定性相比，只需要借助一定的硬件模塊并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型就能準(zhǔn)確的識(shí)別病害并做出及時(shí)的反饋和針對(duì)措施，不但節(jié)省人力和物力，還能最大化果園的經(jīng)濟(jì)效益。

技術(shù)領(lǐng)域

本發(fā)明涉及果樹病害防治領(lǐng)域，具體涉及基于卷積神經(jīng)網(wǎng)絡(luò)的蘋果樹干病害識(shí)別與分類方法。

背景技術(shù)

蘋果樹干的輪紋病和腐爛病是世界性的蘋果災(zāi)害，是影響蘋果質(zhì)量和產(chǎn)量的主要威脅因素。蘋果樹干病害嚴(yán)重影響了蘋果的質(zhì)量和產(chǎn)量，給果農(nóng)造成了嚴(yán)重的經(jīng)濟(jì)損失。傳統(tǒng)的蘋果樹干病害識(shí)別與分類方法過于依賴于個(gè)人的經(jīng)驗(yàn)和肉眼觀察，費(fèi)時(shí)費(fèi)力，不適合大面積果園的病害管理。

因此提出一個(gè)基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)蘋果樹干病害識(shí)別的方法，它可以使用神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)提取病害部分的特征，用深度學(xué)習(xí)的方法對(duì)目標(biāo)病害區(qū)域?qū)崿F(xiàn)識(shí)別與分類，能快最快速的對(duì)蘋果樹干病害進(jìn)行有效的治理措施。

發(fā)明內(nèi)容

為了解決上述的技術(shù)問題，本發(fā)明的目的在于提供基于卷積神經(jīng)網(wǎng)絡(luò)的蘋果樹干病害識(shí)別與分類方法。

本發(fā)明所要解決的技術(shù)問題為：

(1)如何對(duì)樹干病害圖片進(jìn)行識(shí)別與分類。

本發(fā)明的目的可以通過以下技術(shù)方案實(shí)現(xiàn)：

基于卷積神經(jīng)網(wǎng)絡(luò)的蘋果樹干病害識(shí)別與分類方法，包括以下步驟：

步驟一：收集的蘋果樹干病害圖片進(jìn)行預(yù)處理：通過拍攝裝置實(shí)地拍攝蘋果樹干病害圖片，并通過人工判斷的方法去除病害區(qū)域陰影重疊的圖片，在保持長(zhǎng)寬比的同時(shí)，調(diào)整圖像的大小，使得長(zhǎng)寬尺寸相同，隨機(jī)裁剪到224×224；

步驟二：使用翻轉(zhuǎn)變換和鏡像對(duì)稱擴(kuò)展圖像數(shù)據(jù)集，對(duì)圖片進(jìn)行水平翻轉(zhuǎn)，垂直翻轉(zhuǎn)，鏡像翻轉(zhuǎn)和添加噪聲，得到擴(kuò)充后的蘋果樹干病害數(shù)據(jù)集圖片；

步驟三：基于預(yù)訓(xùn)練模型微調(diào)的VGG19模型，利用Focalloss損失函數(shù)替換VGG19最后一層的Softmax損失函數(shù)，其中，前16層的卷積層對(duì)輸入圖像進(jìn)行從低到高的圖像特征自學(xué)習(xí)，其中更加深層的卷積層降低特征圖的分辨率，并且提取更抽象的高層特征，最后兩個(gè)的FC6和FC7的全連接層獲取到復(fù)雜的綜合特征信息，而損失函數(shù)層，則采用基于交叉熵?fù)p失函數(shù)的Focalloss損失函數(shù)來替換傳統(tǒng)的Softmax損失函數(shù)；

步驟四：利用擴(kuò)充后的蘋果樹干病害數(shù)據(jù)集圖片，將輸入的蘋果樹干病害數(shù)據(jù)集圖像調(diào)整為預(yù)設(shè)值來訓(xùn)練改進(jìn)后的VGG19模型，提取病害圖像的特征，得到特征提取模型，再通過所述特征提取模型提取樹干的病害特征，最后保存算法模型作為用于對(duì)實(shí)地實(shí)時(shí)拍攝圖片做出預(yù)測(cè)的卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟五：通過拍攝裝置采集樹干圖像，再通過無線裝置將拍攝的樹干圖片傳輸至遠(yuǎn)程數(shù)據(jù)終端，遠(yuǎn)程數(shù)據(jù)終端使用步驟四中得到的卷積神經(jīng)網(wǎng)絡(luò)模型測(cè)試采集的圖片并做出樹干病害的識(shí)別和分類。

進(jìn)一步的，定義的Focalloss損失函數(shù)經(jīng)過如下步驟獲得:

S1、Softmax損失函數(shù)可表示為：

其中，yi表示第i個(gè)樣本的標(biāo)簽，s_j表示分類得分向量s的第j個(gè)元素；

S2、Centerloss的定義公式如下：

其中yi表示第i個(gè)樣本的標(biāo)簽，x_i表示提取的特征，c_yi表示第i個(gè)樣本的類別；