[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

本發明提出了一種基于動態神經網絡的多種類農作物葉病識別方法，首先，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；然后，使用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；最后，設計動態神經網絡，包括動態卷積模塊、淺層分類器和早退機制三大部分，實現基于動態網絡結構的葉病識別。本方案方法能夠實現對農作物葉病圖像有效信息自動分割提取和多種類農作物葉病的識別，采用的動態神經網絡能夠根據農作物葉病的復雜程度動態調整網絡結構，在滿足較高識別準確度率的情況下，減少計算資源的使用。

技術領域

本發明屬于植物病害檢測領域，具體涉及一種基于動態神經網絡的多種類農作物葉病識別方法。

背景技術

農作物的病害一直以來都是農業種植戶困擾，傳統判斷農作物葉病類型的方式是通過肉眼觀察，這種方式需要專家到現場進行觀察和判斷，有著一定的局限性。及時有效地分析出農作物的病害的類別，有助于迅速進行相應的病害防治措施，從而減少經濟損失。

目前，有很多基于深度學習的農作物葉病識別方法，它們大都是對某一種特定農作物，針對不同的病害設計特征提取方法，進而進行該特定作物病害的識別。但是，針對多種農作物進行病害識別的技術比較少，種農作物葉病識別方法主要存在以下三個方面的難點：(1)農作物葉病圖像中存在大量的環境信息，需要在盡可能保證該種作物葉片和病斑信息完整的同時，去除掉其他的背景信息；(2)多種農作物的葉部病斑大小不一、形狀不規則，使用固定的卷積核難以提取多種農作物病斑的有效特征；(3)較輕的葉病病狀使用簡單的網絡即可識別，固定網絡結構的識別方法往往造成了計算資源的浪費，需要滿足使用較少計算資源達到較高準確度率。

對于植物葉部病害而言，植物葉部病害根據不同時期的癥狀，病斑輪廓會隨著病情的持續逐漸擴散而加重，表征不規則。采用傳統固定網絡結構的方法無法根據植物葉病的復雜程度進行動態的調整，它只會按照事先設計好的網絡結構去計算，最后輸出預測結果，對于較為復雜的農作物葉病的圖片識別效果較差，而且訓練時間和計算資源損耗往往非常大。

發明內容

本發明為解決傳統固定網絡結構無法更好的識別多種農作物葉病等問題，提出一種基于動態神經網絡的多種類農作物葉病識別方法，可以動態調整模型的網絡結構，具有較強的魯棒性，對多種農作物葉病的識別具有較好的表現效果。

本發明是采用以下的技術方案實現的：一種基于動態神經網絡的多種類農作物葉病識別方法，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，本方法主干網絡是4層的動態卷積模塊，每層動態卷積模塊會接出淺層分類器和早退機制的分支，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；