[發明專利]基于動態神經網絡的多種類農作物葉病識別方法

在審

• 申請號: 202111120666.7
• 申請日: 2021-09-24
• 公開（公告）號: CN114022872A
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 張江南;董軍宇;高峰;王海;李文博;劉永朔
• 申請（專利權）人: 中國海洋大學
• 主分類號: G06V20/60
• 分類號: G06V20/60;G06V20/70;G06V10/26;G06V10/34;G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 青島匯智海納知識產權代理有限公司 37335
• 代理人: 王丹丹

1.基于動態神經網絡的多種類農作物葉病識別方法，其特征在于，包括以下步驟：

步驟A、隨機選取部分農作物葉病圖像數據進行像素級標記，訓練用于圖像分割的卷積神經網絡；

步驟B、基于訓練好的卷積神經網絡對農作物葉病圖像進行自動分割，提取圖像中的有效信息；

步驟C、設計動態神經網絡模型，包括動態卷積模塊、淺層分類器和早退機制，實現基于動態網絡結構的葉病識別，包括：

步驟C1、將步驟B中分割后的圖像進行圖像增強，并對增強的圖像進行標準化；

步驟C2、構建動態卷積模塊進行特征提取：動態卷積模塊包括注意力機制層和動態卷積核，將增強后的圖像輸入到注意力機制層進行特征提取，得到注意力機制判定的關鍵特征，然后通過SoftMax計算出葉病的關鍵特征所占的比例，將注意力機制層計算得到的葉病關鍵特征所占比例與若干個卷積核相乘并最后相加，合并為動態卷積核，通過動態卷積核對輸入圖像進行葉病的特征提取；

步驟C3、構建淺層分類器，獲取淺層分類結果和該淺層分類器的置信度；

步驟C4、構建早退機制，設定每層淺層分類器的置信度閾值，根據步驟C3中的得到置信度判斷該淺層分類器的分類結果是否為最終結果，若不是，則采用更深層次的動態卷積模塊進行特征提取，直到淺層分類結果為最終結果；然后計算最終結果的交叉熵損失并更新網絡參數；

步驟C5、每個訓練批次結束后，使用測試集評估植物葉部病害識別模型的準確率，將準確率最高的動態神經網絡模型保存為最終模型，實現對多種類農作物葉病的識別。

2.根據權利要求1所述的基于動態神經網絡的多種類農作物葉病識別方法，其特征在于：所述步驟A具體包括以下步驟：

步驟A1、構建用于葉病圖像自動分割的卷積神經網絡模型，初始化卷積神經網絡模型的網絡參數；

步驟A2、從每類葉病的圖像中隨機選取部分圖像，將圖像的葉片有效特征部分進行像素點標記并轉化為0-1掩膜的有標記樣本；將經過像素點標記的有標記樣本記作：

其中，x_b代表隨機選取出的部分圖像，B代表被選取圖像的數量，代表x_b對應的0-1掩膜，掩膜中標記為1的像素點代表葉片部分，標記為0的像素點代表背景部分；

步驟A3、使用選取的原始圖像和標記的樣本訓練卷積神經網絡模型，采用Dice系數對有標記樣本計算損失，更新網絡參數。

3.根據權利要求1所述的基于動態神經網絡的多種類農作物葉病識別方法，其特征在于：所述步驟B中，將數據集中所有農作物病害圖像輸入到訓練好的分割網絡中進行自動的分割和有效信息提取，所述有效信息是指祛除背景后的葉病圖像，具體包括：

步驟B1：將所有分割后的圖像隨機重排得到重排序列，采用索引指代混合后的所有樣本，將混合序列的所有索引記為：

步驟B2：將S作為模型的輸入，使數據集的所有圖像更換為分割后的圖像，分割后的圖像表示為：

其中S_b代表模型輸入的圖像，代表模型輸出的0-1掩膜。

4.根據權利要求1所述的基于動態神經網絡的多種類農作物葉病識別方法，其特征在于：所述步驟C1中，增強方式為隨機裁剪后進行圖像翻轉，每個圖像產生若干個增強的圖像，對這些增強的圖像進行標準化，具體包括：

(1)將經過多次數據增強后的樣本記作：

其中，K是數據增強種類的數量，k代表當前樣本的增強種類，是步驟3中分割后的圖像，代表分割后的圖像經過第k中數據增強后的圖像數據；

(2)將每個增強的樣本標準化：

其中，channel代表輸入圖像的通道總數，為輸入圖像的第n個通道上的二維特征矩陣，mean和std為固定值，V[n]代表標準化后的圖像的第n個通道上的二維特征矩陣。