[發明專利]一種用于蘋果樹葉病害圖像分類的小樣本學習方法

在審

• 申請號: 202011167832.4
• 申請日: 2020-10-28
• 公開（公告）號: CN112464983A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 劉冰;趙宏偉;趙浩宇;李蛟;劉萍萍;范麗麗
• 申請（專利權）人: 吉林大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 長春市恒譽專利代理事務所(普通合伙) 22212
• 代理人: 李榮武

本發明涉及一種用于蘋果樹葉病害圖像分類的小樣本學習方法，以常見的特征相似的蘋果銹病、黑星病以及混合病害為研究對象，基于小樣本，使用卷積神經網絡學習輸入圖像在特征空間的非線性映射，獲得每個圖像的特征向量。根據特征向量求出中心點、所有的點距離中心點的平均距離及幾個簇的半徑。然后根據點到簇中心的距離與半徑的關系，找出離群候選集，接著算出離群候選集中因子的局部可達密度，并根據密度值確認的離群因子，并進行剔除。最后將剩下特征點作為支持集，并求取嵌入空間中支持集的平均值，根據查找最近的類原型，即可對嵌入式查詢點進行分類，在提高分類準確度和魯棒性的前提下降低成本。

技術領域

本發明涉及一種圖像分類方法，特別是一種用于蘋果樹葉病害圖像分類的小樣本學習方 法，在小樣本情況下利用深度卷積神經網絡進行蘋果樹葉病害分類，根據圖像間的特征向量 距離和樣本點密度，找出樣本中的離群因子，將離群因子剔除后，求取嵌入空間中支持集的 平均值，根據查找樣本與該值的關系進行分類，有效提高類準確率和魯棒性。

背景技術

病原體和昆蟲是威脅蘋果園安全的主要因素。果園疾病管理的及時部署取決于疾病的早 期發現，錯誤和延遲的診斷可能導致化學藥品的過度使用或者使用不充分，從而增加生產成 本，對環境和健康帶來巨大影響。目前，蘋果園的病蟲害檢測主要依賴于農作物顧問的人工 檢查，大量的專家和農民小組可以根據葉子上的癥狀來確定植物病害。但是，使用人力進行 觀察既費時又費錢。另外，在大田間區域連續監視所有植物效率低下。因此，自動檢測植物 病害是必要的。

計算機成像技術和機器學習的發展在加快病害診斷方面顯示出極大的潛力。數碼相機可 以捕捉具有疾病癥狀的高質量圖像，計算機視覺方法可以利用有癥狀的數字圖像對疾病進行 分類。隨著深度學習在計算機視覺領域的飛速發展，基于圖像的植物病害檢測已引起特別關 注。最近推出的深度卷積神經網絡已經證明了在圖像分類和檢測問題上的強大性能。利用深 度卷積神經網絡對圖像特征進行提取，實現均勻設置下拍攝的農作物病葉圖像的分類，特別 是使用計算機視覺在更具挑戰性的攝影條件下進行農作物病害的識別，包括復雜的背景，不 同的分辨率和各種照明條件。如利用卷積神經網絡作為基本架構從健康的葉子中檢測和區分 香蕉斑點病，以及基于深度卷積神經網絡的蘋果葉病準確識別，使用K-means聚類算法檢測 受感染的部分，并利用支持向量機根據顏色、紋理和形狀對健康和受感染的蘋果進行分類。 另外，卷積神經網絡與遷移學習結合在一起獲得良好的性能，該學習使用諸如AlexNet、VGG、 ResNet等預先訓練的模型，然后更新參數，在過去的幾年，人們基于遷移學習的病害檢測做 了大量的研究。但是遷移學習方法之間的差異很小，并且這些方法的設計，尤其是利用深度 卷積神經網絡的方法的發展，很大程度上依賴于豐富的標簽數據，但是對于蘋果樹葉病害識 別來說，病害種類多，并且形態各異，數據集的獲取和標記需要的大量的人力和財力成本。

發明內容

本發明所要解決的技術問題是針對現有利用深度卷積神經網絡方法用于蘋果樹葉病害需 要大量標簽數據導致成本太高問題，以常見的特征相似的蘋果銹病、黑星病以及混合病害為 研究對象，基于小樣本，使用卷積神經網絡學習輸入圖像在特征空間的非線性映射，獲得每 個圖像的特征向量。根據特征向量求出中心點、所有的點距離中心點的平均距離及幾個簇的 半徑。然后根據點到簇中心的距離與半徑的關系，找出離群候選集，接著算出離群候選集中 因子的局部可達密度，并根據密度值確認的離群因子，并進行剔除。最后將剩下特征點作為 支持集，并求取嵌入空間中支持集的平均值，根據查找最近的類原型，即可對嵌入式查詢點 進行分類，在提高分類準確度和魯棒性的前提下降低成本。