[發明專利]一種基于遷移學習的木薯葉病分類方法、設備及存儲介質

在審

• 申請號: 202210254211.2
• 申請日: 2022-03-15
• 公開（公告）號: CN114663758A
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 呂傳棟;胡宇;周斌;周洪超;吳雨林
• 申請（專利權）人: 山東大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06K9/62;G06N3/04;G06N3/08;G06V10/764;G06V10/774;G06V10/82
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 楊樹云

1.一種基于遷移學習的木薯葉病分類方法，其特征在于，包括步驟如下：

(1)獲取木薯葉病數據，木薯葉病數據分為5種，其中4種是疾病類別，1種是健康類別；

木薯葉病數據包括若干張木薯葉病的圖片和健康的圖片，以及一個csv文件，csv文件存放有每張圖片的名稱和對應的標簽；

(2)將步驟(1)獲取的木薯葉病數據即數據集分為訓練集和測試集；

(3)搭建遷移學習模型，使用步驟(2)得到的訓練集對該遷移學習模型進行訓練，訓練過程中，使用圖像處理和圖像增強方法對步驟(2)得到的數據集進行圖像預處理，并保存訓練好的遷移學習模型；

(4)將測試集輸入步驟(3)訓練好的遷移學習模型，檢驗訓練好的遷移學習模型的泛化能力和準確率；

(5)將待分類的木薯葉病數據圖像預處理后輸入至步驟(4)檢驗后的訓練好的遷移學習模型，輸出該木薯葉病數據所屬的木薯葉病類別。

2.根據權利要求1所述的一種基于遷移學習的木薯葉病分類方法，其特征在于，步驟(1)中，4種疾病類別包括木薯細菌性枯萎病、木薯褐條病、木薯綠色斑駁病和木薯花葉病。

3.根據權利要求1所述的一種基于遷移學習的木薯葉病分類方法，其特征在于，步驟(2)中，將步驟(1)獲取的木薯葉病數據即數據集按照4：1的比例分為訓練集和測試集。

4.根據權利要求1所述的一種基于遷移學習的木薯葉病分類方法，其特征在于，步驟(3)中，使用圖像處理和圖像增強方法對數據集進行圖像預處理，具體實現過程如下：

首先，將獲得的圖像轉化到HSV域；

然后，設定相應的閾值，獲取綠色部分；具體是指：

a、對圖像進行圖像腐蝕操作，獲得只有像素值為0和255的二值圖像；

b、在某一幀二值圖像中像素值為255的地方隨機選取一個像素點，隨機裁剪10-100像素值大小的正方形圖片；

c、在相鄰的另一幀二值圖像中像素值為255的地方隨機選取一個像素點，裁剪和步驟b同樣大小的正方形圖片；

d、將裁剪得到的同樣大小的圖片進行互換；

對所有的圖像均進行上述步驟a至步驟d的操作；

最后，使用Albumentations中的方法，包括隨機裁剪、圖像旋轉、水平、垂直翻轉、隨機應用仿射變換、隨機改變輸入圖像的色度和飽和度值、隨機改變輸入圖像的亮度和對比度、進行相應歸一化。

5.根據權利要求1所述的一種基于遷移學習的木薯葉病分類方法，其特征在于，所述遷移學習模型采用timm庫中的EfficientNet-B4網絡，EfficientNet-B4網絡包括Stem、7個block和Final layers即EfficientNet-B4網絡的最后一層；

EfficientNet-B4網絡的最后一層輸出為5類；EfficientNet-B4網絡的最后一層中，每一類的計算公式如式(Ⅰ)所示：

式(Ⅰ)中，是指EfficientNet-B4網絡最后一層所計算的類別的輸入特征和權重向量之間的夾角余弦值，cosθ_j是指EfficientNet-B4網絡最后一層其它類別的輸入特征和權重向量之間的夾角余弦值，s是輸入特征歸一化后再縮放后的固定值，m是余弦間隔。

6.根據權利要求1所述的一種基于遷移學習的木薯葉病分類方法，其特征在于，EfficientNet-B4網絡的最后一層分類方法步驟為：

首先，對權重W和特征X進行L2歸一化；

然后，將L2歸一化后的權重W和特征X使用全連接層進行相乘得到余弦值cosine，使用該余弦值減去余弦間隔m；

接著，乘以縮放系數即輸入特征歸一化后再縮放后的固定值s；

最后，經過softmax層進行分類即得；

進一步優選的，s＝30.0，m＝0.35。