[發明專利]一種基于圖像識別的獼猴桃葉片病害識別方法

在審

• 申請號: 201910369540.X
• 申請日: 2019-05-06
• 公開（公告）號: CN110070086A
• 公開（公告）日: 2019-07-30
• 發明（設計）人: 廖欽洪;唐建民;蘭建彬;張文林
• 申請（專利權）人: 重慶文理學院
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04;H04N5/238
• 代理公司: 重慶晶智匯知識產權代理事務所(普通合伙) 50229
• 代理人: 施永卿

1.一種基于圖像識別的獼猴桃葉片病害識別方法，其特征在于：包含一種獼猴桃葉片病害識別深度神經網絡訓練方法和一種獼猴桃葉片病害深度神經網絡識別方法；

所述一種獼猴桃葉片病害深度神經網絡識別方法，具體為：

首先，對獲取的高清圖像進行預處理，并識別高清圖像中的獼猴桃葉片區域；

其次，根據識別結果截取高清圖像中的獼猴桃葉片區域，做歸一化處理，得到葉片歸一化圖像；

然后，將葉片歸一化圖像輸入到獼猴桃葉片病害深度神經網絡中，輸出獼猴桃葉片有病害的概率以及獼猴桃葉片病害類別的分類概率；

最后，根據獼猴桃葉片病害深度神經網絡的輸出結果：獼猴桃葉片有病害的概率以及獼猴桃葉片病害類別的分類概率進行判決，得出判決結果；

所述對獲取的高清圖像進行預處理，調節高清圖像的曝光，具體步驟如下：

首先計算圖像整體亮度值；

其次若圖像整體亮度值偏亮，即圖像整體亮度值大于過度曝光門限值，通過調節圖像的曝光，使得圖像變暗，從而圖像更清晰；若圖像整體亮度值偏暗，即圖像整體亮度值小于曝光不足門限值，通過調節圖像的曝光，使得圖像變量，從而圖像更清晰；其余不做處理；

所述計算圖像整體亮度值方法如下：

將高清圖像的BGR格式轉換為HSV格式；統計V通道的均值：

式中，W為高清圖像的寬、H為高清圖像的高、V_ij為高清圖像HSV格式下V通道(i,j)位置的值，為圖像整體亮度值；

所述調節圖像的曝光的公式為：

式中，v為高清圖像BGR格式下像素點在一個通道上的像素值，取值范圍為[0,255]，為經過調整圖像的曝光后的輸出像素值；γ大于1，對高清圖像曝光過大進行抑制，γ小于1，對高清圖像曝光不足進行補償；

所述識別高清圖像中的獼猴桃葉片區域，采用葉片識別模型完成獼猴桃葉片區域的識別；所述葉片識別模型為采用SSD識別框架線下訓練完成；

所述獼猴桃葉片病害深度神經網絡采用ResNeXt網絡結構，所述ResNeXt結構輸入層為卷積層，輸出層為Eltwise層；在Eltwise層后連接全鏈接層，作為對獼猴桃葉片是否有病害的分類；在Eltwise層后接兩個卷積層和一個全鏈接層，作為對獼猴桃葉片的病害類別的分類；

所述根據獼猴桃葉片病害深度神經網絡的輸出結果：依據獼猴桃葉片有病害的概率判定是否有病害：若無，則輸出無病害結果；若有病害，則依據獼猴桃葉片病害類別的分類概率進行判決，輸出概率最大類別的病害類別結果；

所述一種獼猴桃葉片病害識別深度神經網絡訓練方法，可以包括：

首先，對高清圖像進行預處理，并識別高清圖像中的獼猴桃葉片區域；

其次，根據識別結果截取高清圖像中的獼猴桃葉片區域，做歸一化處理，得到葉片歸一化圖像；

接著，標注葉片歸一化圖像的正確分類標簽；

然后，將葉片歸一化圖像和其正確分類標簽輸入到獼猴桃葉片病害深度神經網絡中，訓練得到獼猴桃葉片病害深度神經網絡模型；

所述葉片歸一化圖像的正確分類標簽為數據對(L₁,L₂)，表示對葉片有無病害的分類標簽，L₂表示病害類型的類別標簽；當L₁＝1時，表示存在病害，L₂標簽有效，L₂標簽默認為0；

所述獼猴桃葉片病害深度神經網絡采用ResNeXt網絡結構，所述ResNeXt結構輸入層為卷積層，輸出層為Eltwise層；在Eltwise層后連接全鏈接層選擇softmax損失函數，作為對獼猴桃葉片是否有病害的分類；在Eltwise層后接兩個卷積層和一個全鏈接層選擇softmax損失函數，作為對獼猴桃葉片的病害類別的分類；

所述訓練包括：

將葉片歸一化圖像輸入到獼猴桃葉片病害深度神經網絡的第一層卷積層完成卷積運算；

將得到的卷積運算結果輸入到所述網絡的下一級卷積層計算，至第N層卷積層完成卷積運算，由Eltwise層輸出；

將Eltwise層輸出特征送入全鏈接層，并利用正確分類標簽的L₁進行softmax損失函數計算，得損失函數l₁；

將L₁＝1的葉片歸一化圖像的Eltwise層輸出特征送入兩個卷積層并連接全鏈接層和softmax損失函數，得損失函數l₂；

合并損失函數l₁、l₁，得到總損失函數l_all：

l_all＝λ₁l₁+λ₂l₂

式中，λ₁、λ₂分別為損失函數l₁、l₂對應的權重值；

最后由總損失函數l_all反向傳播更新網絡模型參數；

循環迭代上述過程，完成獼猴桃葉片病害深度神經網絡模型訓練。