[發明專利]一種基于卷積神經網絡的蘋果葉部病害診斷方法

在審

• 申請號: 202210278313.8
• 申請日: 2022-03-21
• 公開（公告）號: CN114638959A
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 劉斌;張嘉琦;田靚靚;張海曦;袁愛紅
• 申請（專利權）人: 西北農林科技大學
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/44;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 安彥彥

1.一種基于卷積神經網絡的蘋果葉部病害診斷方法，其特征在于，包括以下步驟：

步驟1，將待處理圖片數據分為訓練集、驗證集和測試集；

步驟2，將訓練集中一批數據輸入至VGG前置網絡中，通過VGG前置網絡提取出不同級別的病害特征；將VGG前置網絡中的卷積層4_3、卷積層FC7和卷積層7_2三個卷積層的輸出特征圖輸入至金字塔特征提取器，金字塔特征提取器生成7個金字塔特征圖；

對所述訓練集中一批數據通過最大池化操作，下采樣后獲得7個紋理特征圖；

將金7個金字塔特征圖和7個紋理特征圖以通道維度拼接的方法融合后，獲得7個病害特征圖；

將7個病害特征圖通過多尺度注意力模塊處理獲得每一個病害特征圖的分配權重；

步驟3，在每一個病害特征圖的單元格中心設置默認框，獲得默認框在原圖像中的位置信息，通過默認框在原圖像的位置信息，計算損失函數；通過損失函數，修改神經網絡網絡模型的權重參數；

將訓練集中的數據分批次輸入至神經網絡模型中，直至訓練集的中數據訓練結束且損失函數和模型的預測準確率均趨于穩定時，獲得最終的神經網絡模型；所述神經網絡模型中有每一個特征通道的重要性權重；

步驟4，將待診斷圖像輸入至神經網絡模型中，通過每一特征通道的重要性權重，獲得診斷結果，在待診斷圖像上標出病害類別和病斑位置。

2.根據權利要求1所述的一種基于卷積神經網絡的蘋果葉部病害診斷方法，其特征在于，步驟2中，所述VGG前置網絡中的全連接層FC6和FC7為空洞卷積層；所述卷積層7_2的卷積核大小為3×3，步長為2。

3.根據權利要求1所述的一種基于卷積神經網絡的蘋果葉部病害診斷方法，其特征在于，步驟2中，金字塔特征提取器生成的7種特征圖為64×64、32×32、16×16、8×8、4×4、2×2、1×1。

4.根據權利要求1所述的一種基于卷積神經網絡的蘋果葉部病害診斷方法，其特征在于，步驟2中，將訓練集中病害數據圖像RGB空間轉化為HSV空間，提取HSV空間中的V通道輸入到V通道定位分支中，V通道定位分支通過最大池化操作，對V通道以步長為2進行下采樣，生成7中特征圖為：64×64、32×32、16×16、8×8、4×4、2×2、1×1。

5.根據權利要求1所述的一種基于卷積神經網絡的蘋果葉部病害診斷方法，其特征在于，步驟2中，將7個病害特征圖輸入至多尺度注意力模塊中，通過擠壓階段轉化為1×1×C的一維特征圖，通過激勵階段輸出金字塔狀的激勵階段特征圖，將激勵階段特征圖和病害特征圖共同縮放后，獲得最終特征圖，所述最終特征圖包含有每個特征通道的權重。

6.根據權利要求1所述的一種基于卷積神經網絡的蘋果葉部病害診斷方法，其特征在于，步驟3中，獲得默認框在原圖像中的位置信息過程為：

其中，s^k表示默認框在每個特征圖上的縮放系數，a_r表示不同的縱橫比。

7.根據權利要求1所述的一種基于卷積神經網絡的蘋果葉部病害診斷方法，其特征在于，損失函數的計算過程為：

8.根據權利要求1所述的一種基于卷積神經網絡的蘋果葉部病害診斷方法，其特征在于，步驟4中，將待診斷圖像輸入至神經網絡模型中，獲取每一個病害類別對應的得分最高的前兩百個默認框；從默認框中找出loU分數最大的默認框，在選出的默認框上標出病害類別及位置。

9.根據權利要求8所述的一種基于卷積神經網絡的蘋果葉部病害診斷方法，其特征在于，loU的計算公式為：

其中，A和B代表分數最高的默認框和其他的默認框。