[發(fā)明專利]基于超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別方法

在審

• 申請?zhí)枺?/td>: 202210012912.5
• 申請日: 2022-01-07
• 公開（公告）號: CN114463651A
• 公開（公告）日: 2022-05-10
• 發(fā)明（設(shè)計）人: 張晨曉
• 申請（專利權(quán)）人: 武漢大學(xué)
• 主分類號: G06V20/20
• 分類號: G06V20/20;G06V10/20;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種基于超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別方法，其特征在于，包括如下步驟：

步驟1，采集不同農(nóng)作物類型的健康、病害、蟲害圖像數(shù)據(jù)；

步驟2，對采集到的農(nóng)作物影像數(shù)據(jù)集進行預(yù)處理，將數(shù)據(jù)集按照一定比例劃分為訓(xùn)練集、測試集和驗證集；

步驟3，將訓(xùn)練集數(shù)據(jù)輸入到超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練；

所述超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由5個基本模塊組成，第一個模塊依次包括卷積層、批歸一化層和激活函數(shù)層，第二個模塊包括多個池化層，第三個模塊包括兩個步長為1和一個步長為2的殘差深度可分離卷積模塊，第四個模塊包括卷積層、批歸一化層和激活函數(shù)層，第四個模塊輸出的特征經(jīng)過空間金字塔池化操作，最后輸入到第五個模塊中，五個模塊為單層全連接層；

步驟4，在訓(xùn)練過程中不斷將驗證集數(shù)據(jù)輸入到網(wǎng)絡(luò)中進行結(jié)果查看并進行性能評價；

步驟5，重復(fù)步驟3和步驟4，僅保留在驗證集上性能最好的模型，直到訓(xùn)練結(jié)束；

步驟6，獲取最終訓(xùn)練好的網(wǎng)絡(luò)模型，將測試集上的數(shù)據(jù)輸入到農(nóng)作物病蟲害識別模型中，得到最后的病蟲害檢測結(jié)果。

2.如權(quán)利要求1所述的一種基于超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別方法，其特征在于：步驟2中去除采集圖像中模糊、失焦、拍攝主體丟失的圖像，然后按照70％，20％，10％的比例依次從數(shù)據(jù)集中選取圖片分別作為訓(xùn)練集、驗證集和測試集。

3.如權(quán)利要求1所述的一種基于超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別方法，其特征在于：步驟3中，第一個模塊依次由1個卷積核為3*3，步長為1的卷積層、1個批歸一化層和一個ReLU激活函數(shù)層疊加組成；

第二個模塊由兩個最大卷積核為3*3，步長為2的池化層疊加組成；

第四個模塊依次由1個卷積核為1*1，步長為1的卷積層、1個批歸一化層和一個ReLU激活函數(shù)層疊加組成；

第五個模塊由一個輸入維度為2016，輸出維度為38的單層全連接層組成。

4.如權(quán)利要求1所述的一種基于超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別方法，其特征在于：所述步長為1的殘差深度可分離卷積模塊的具體處理過程如下；

首先將輸入特征復(fù)制為兩份相同的特征，將其中一組特征通過1個子模塊，該子模塊由1個卷積核為3*3，步長為1的深度可分離卷積模塊、1個批歸一化層、1個卷積核為1*1，步長為1的卷積層、1個批歸一化層、1個ReLU激活層組成，將經(jīng)過該子模塊處理的特征與原特征進行拼接，然后通過一個通道重組模塊得到最后的輸出特征。

5.如權(quán)利要求1所述的一種基于超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別方法，其特征在于：所述步長為2的殘差深度可分離卷積模塊的具體處理過程如下；

首先將輸入特征復(fù)制為兩份相同的特征，將其中一組特征通過第一個子模塊，該子模塊由1個卷積核為3*3，步長為2的深度可分離卷積模塊、1個批歸一化層、1個卷積核為1*1，步長為1的卷積層、1個批歸一化層、1個ReLU激活層組成；將另外一組特征通過第二個子模塊，該子模塊由1個卷積核為1*1，步長為1的卷積層，1個批歸一化層、一個ReLU激活層、1個卷積核為3*3，步長為2的深度可分離卷積模塊、一個批歸一化層、1個卷積核為1*1，步長為1的卷積層、1個批歸一化層、一個ReLU激活層組成，最后將兩個子模塊處理后的特征進行拼接，然后通過一個通道重組模塊得到最終的輸出特征。

6.如權(quán)利要求4或5所述的一種基于超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別方法，其特征在于：所述的通道重組模塊先將多通道特征劃分為N組，然后將特征按組變換維度，對特征組進行轉(zhuǎn)置，再次對轉(zhuǎn)置后的特征組進行分組拼接起來，組成最終的新特征圖。

7.如權(quán)利要求1所述的一種基于超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別方法，其特征在于：步驟3中網(wǎng)絡(luò)訓(xùn)練所使用的損失函數(shù)為交叉熵損失函數(shù)。

8.如權(quán)利要求1所述的一種基于超輕量級高效卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別方法，其特征在于：步驟4中的性能評價包括準確率、召回率和F1指數(shù)。