[發(fā)明專利]一種木薯病害識別方法

在審

• 申請?zhí)枺?/td>: 202110659758.6
• 申請日: 2021-06-15
• 公開（公告）號: CN113408393A
• 公開（公告）日: 2021-09-17
• 發(fā)明（設(shè)計(jì)）人: 陳明;馮國富;王芝榕;王夢奇;洪宇;李治杰
• 申請（專利權(quán)）人: 上海海洋大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海伯瑞杰知識產(chǎn)權(quán)代理有限公司 31227
• 代理人: 耿悅

1.一種木薯病害識別方法，其特征在于，包括：

S1、采集木薯葉部的病害圖像，并進(jìn)行分類；

S2、對分類后的所述病害圖像進(jìn)行預(yù)處理；

S3、對所述圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充，形成圖像數(shù)據(jù)集；

S4、將所述圖像數(shù)據(jù)集劃分訓(xùn)練集、驗(yàn)證集和測試集；

S5、構(gòu)建網(wǎng)絡(luò)模型；

S6、將所述訓(xùn)練集的圖像數(shù)據(jù)放入到所述網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，每訓(xùn)練完一次，使用所述驗(yàn)證集的圖像數(shù)據(jù)進(jìn)行驗(yàn)證，直至完成網(wǎng)絡(luò)模型的訓(xùn)練；

S7、將所述測試集中的圖像數(shù)據(jù)放入到所述網(wǎng)絡(luò)模型中進(jìn)行病害識別。

2.如權(quán)利要求1所述的木薯病害識別方法，其特征在于，所述步驟S1中，對所述病害圖像進(jìn)行分類包括：搜索網(wǎng)絡(luò)獲取到相關(guān)木薯病害圖像數(shù)據(jù)，然后，按病害類別使用Labelimg對病害圖像進(jìn)行人工標(biāo)簽分類。

3.如權(quán)利要求1所述的木薯病害識別方法，其特征在于，所述步驟S2中，對分類后的所述病害圖像進(jìn)行預(yù)處理包括：

S21、使用Pytorch的transform函數(shù)庫對所述病害圖像進(jìn)行降噪處理；

S22、將所述病害圖像進(jìn)行統(tǒng)一裁剪到256*256大小。

4.如權(quán)利要求3所述的木薯病害識別方法，其特征在于，所述步驟S21中，降噪處理方式為高斯模糊，使用5*5的領(lǐng)域窗口，標(biāo)準(zhǔn)差為3；所述步驟S22中，裁剪方式為以圖像中心為原點(diǎn)進(jìn)裁剪，對不足256*256大小的圖像，以最短邊進(jìn)行計(jì)算，進(jìn)行放大到256后，再裁剪。

5.如權(quán)利要求4所述的木薯病害識別方法，其特征在于，所述步驟S3中，對所述圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充，形成圖像數(shù)據(jù)集包括：

對所述圖像數(shù)據(jù)進(jìn)行旋轉(zhuǎn)角度、隨機(jī)裁剪、修改亮度和對比度、隨機(jī)翻轉(zhuǎn)中的任意一種或多種方式；

所述旋轉(zhuǎn)角度方式包括：對圖像數(shù)據(jù)在0°～90°范圍內(nèi)進(jìn)行隨機(jī)角度旋轉(zhuǎn)，并以圖像變換中心為原點(diǎn)，對旋轉(zhuǎn)后的圖像進(jìn)行裁剪使之大小相同的圖像；

所述隨機(jī)裁剪方式包括：對圖像數(shù)據(jù)在縮放比例因子為1～2的范圍內(nèi)隨機(jī)進(jìn)行縮放，然后，按照上下左右中心位置裁剪出5幅大小相同的圖像；

所述修改亮度和對比度方式包括：設(shè)置2個(gè)隨機(jī)種子分別表示亮度和對比度，隨機(jī)范圍為0.5-1.5，對圖像數(shù)據(jù)使用隨機(jī)種子得到的數(shù)進(jìn)行亮度和對比度的更改，獲得3幅圖像；

所述隨機(jī)翻轉(zhuǎn)方式包括：對圖像數(shù)據(jù)以圖像中心點(diǎn)為基準(zhǔn)，設(shè)置隨機(jī)種子為5，進(jìn)行隨機(jī)的水平和垂直反轉(zhuǎn)操作。

6.如權(quán)利要求1所述的木薯病害識別方法，其特征在于，所述步驟S4中，訓(xùn)練集、驗(yàn)證集和測試集中圖像數(shù)據(jù)的數(shù)量比例分別為7:1:2。

7.如權(quán)利要求1所述的木薯病害識別方法，其特征在于，所述步驟S5中，所述網(wǎng)絡(luò)模型基于Efficientnet神經(jīng)網(wǎng)絡(luò)，且所述網(wǎng)絡(luò)模型包括1層卷積層、2層全連接層，所述全連接層含一層病蟲害分類層，病蟲害分類層中的每一類都分別對應(yīng)一個(gè)木薯病害以及健康狀態(tài)。

8.如權(quán)利要求7所述的木薯病害識別方法，其特征在于，所述卷積層采用200個(gè)1*1大小卷積核，所述全連接層的神經(jīng)元個(gè)數(shù)為1500。

9.如權(quán)利要求1所述的木薯病害識別方法，其特征在于，所述步驟S6中，使用遷移學(xué)習(xí)的方式，用Efficientnet神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型作為初始權(quán)重，并使用Adam進(jìn)行模型參數(shù)優(yōu)化。

10.如權(quán)利要求1所述的木薯病害識別方法，其特征在于，所述步驟S7之前還包括步驟：

S70、使用Kfold將訓(xùn)練集的圖像數(shù)據(jù)分成7份，將7份中的1份圖像數(shù)據(jù)加入驗(yàn)證集中，另外6份圖像數(shù)據(jù)加入到網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，以此類推，獲得7個(gè)網(wǎng)絡(luò)模型，選取2組最好的網(wǎng)絡(luò)模型使用均值法進(jìn)行模型融合，得到最后的網(wǎng)絡(luò)模型。