[發明專利]一種基于輕量化深度神經網絡的低成本番茄葉片病害識別方法

有效

• 申請號: 202010165554.2
• 申請日: 2020-03-11
• 公開（公告）號: CN111400536B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 吳陽;李文霞;劉潔;張亞勤;吳景春;于蓮雙
• 申請（專利權）人: 無錫太湖學院
• 主分類號: G06V20/68
• 分類號: G06V20/68;G06V10/764;G06V10/774;G06V10/52;G06V10/56;G06V10/54;G06V10/82;G06F16/55;G06F16/583;G06T7/00;G06T7/11;G06T7/136
• 代理公司: 無錫華越知識產權代理事務所(特殊普通合伙) 32571
• 代理人: 朱錦國

本發明公開了一種基于輕量化深度神經網絡的低成本番茄葉片病害識別方法，包括以下步驟：進行番茄葉片圖像數據集的收集，將收集的番茄葉片圖像數據集采用數據集擴充方法進行擴充得到擴充圖像數據庫，進行圖像數據集的預處理；構建改進的殘差神經網絡識別模型,將經過預處理的圖像數據集，輸入到所述改進的殘差神經網絡識別模型完成模型的訓練；將完成訓練的模型對待實際待檢測圖片進行識別。本申請采用改進的殘差神經網絡識別模型,利用可分離多尺度卷積module1、module2的配合對番茄葉片實現病害識別，拓展了網絡寬度，準確率達到較高水平，占用內存較少，可以實現低性能終端上對番茄病害的實時識別，并可以推廣到其他類似應用場景的農作物病害識別。

技術領域

本發明涉及計算機圖像處理技術技術領域，尤其涉及一種基于輕量化深度神經網絡的低成本番茄葉片病害識別方法。

背景技術

我國是一個農業大國，農業的生產水平對國家經濟建設與發展至關重要。然而，病害是限制農作物栽培的主要因素之一。農作物受到病害侵襲，嚴重時會導致農產品產量大幅降低，從而給農業經濟帶來巨大損失。因此，病害的早期識別對選擇正確的治療方法極其關鍵，也成為降低農作物損失以及減少農藥使用的重要前提。番茄是一種病害較多的蔬菜，目前生產上引起減產或絕產的病害多達20余種。一方面病害影響了產量和品質，另一方面，過量化學防治造成藥物殘留帶來公害。隨著人民生活水平提高，對番茄品質要求更加迫切。因此及早診斷及早治療是一個必須解決的問題。但是深度神經網絡一方面需要大數據量訓練集且要求精準標注，這給實際應用帶來了較大困難，另一方面對計算機內存占用大，消耗大量計算資源，難以應用于低成本終端設備。

針對番茄這個特定對象的研究，本申請提出一種基于輕量化深度神經網絡的低成本番茄葉片病害識別方法。

發明內容

本發明針對上述現有的問題的一個或多個，提出一種基于輕量化深度神經網絡的低成本番茄葉片病害識別方法。

根據本發明的一個方面，提供一種基于輕量化深度神經網絡的低成本番茄葉片病害識別方法，包括：

進行番茄葉片圖像數據集的收集，將收集的番茄葉片圖像數據集進行擴充得到擴充圖像數據庫；

構建改進的殘差神經網絡識別模型，將經過預處理的圖像數據集，輸入到所述改進的殘差神經網絡識別模型完成模型的訓練；

將完成訓練的模型對待實際待檢測圖片進行識別，得到測試結果；

其中，所述改進的殘差神經網絡識別模型包括4個Stage模塊、3個Reduction模塊、最大池化Max－pooling、平均池化Average－pooling、Dropout層、全連接層FC和Softmax分類器；

所述改進的殘差神經網絡識別模型的識別步驟包括：

1)輸入圖像經過第一個Stage模塊以及一個最大池化Max?Pooling；

2)然后依次交替經過Stage和Reduction模塊，通過Reduction模塊特征圖的尺寸降為一半，并逐漸擴充通道數；

3)最后通過平均池化Average－pooling、Dropout層、全連接層FC最后輸出到Softmax分類器進行分類得到識別結果。

在某些實施方式中，4個Stage模塊分別依次為Stage1、Stage2、Stage3、Stage4，所述Stage1是由3個3＊3的卷積串聯而成，其中第一個卷積的stride為2；stage2和stage3分別由兩個module1模塊串聯構成；stage4由兩個module2模塊串聯構成。

在某些實施方式中，3個Reduction模塊(ReductionX(X＝1，2，3))均為相同的Reduction模塊，Reduction模塊使用了深度可分離卷積和channel?shuffle代替標準卷積的操作。