[發明專利]基于改進DenseNet模型的番茄葉片病害識別方法

在審

• 申請號: 202310402769.5
• 申請日: 2023-04-10
• 公開（公告）號: CN116563845A
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 王奕男;謝志軍;莊黎波
• 申請（專利權）人: 寧波大學;寧波時新生態農業有限公司
• 主分類號: G06V20/68
• 分類號: G06V20/68;G06V10/77;G06V10/80;G06V10/42;G06V10/44;G06V10/52;G06V10/82;G06N3/0464;G06N3/0455;G06N3/047;G06N3/048;G06V10/764
• 代理公司: 寧波奧圣專利代理有限公司 33226
• 代理人: 方小惠

本發明公開了一種基于改進的DenseNet模型的番茄葉片病害識別方法，用Ghost?bottleneck模塊替換了原Densenet模型的Bottleneck?layer，在保證識別性能的同時大大減少了模型的計算量以及參數量，將第二Ghost?bottleneck中的第二個Ghost模塊中的卷積核大小為3×3的普通卷積替換成空洞卷積，以及第三Ghost?bottleneck中的第二個Ghost模塊中的卷積核大小為3×3的普通卷積替換成空洞卷積，提高了對于多尺度變化的番茄病害的識別精度，引入了CMIFA注意力機制模塊，在僅增加少量參數以及計算量的同時，提高了在復雜背景下的番茄病害的識別精度；優點是識別精度高，且模型結構簡單，模型的參數量以及計算量較小，能夠在實際生活中推廣使用。

技術領域

本發明涉及番茄葉片病害識別方法，尤其是涉及一種基于改進DenseNet模型的番茄葉片病害識別方法。

背景技術

番茄含有豐富的營養物質，在世界各地廣泛種植。然而，番茄在生長發育過程中容易受到在生長和發育過程中容易受到各種疾病的影響，這些疾病會降低其質量以及產量，影響食用口感，甚至導致絕收，造成嚴重的經濟損失，且這些疾病大都會體現在番茄葉片上。因此，快速、準確地檢測番茄葉片病害有助于農業的可持續發展，防止不必要的財政和其他資源的浪費。

傳統的番茄葉片病害鑒定方法需要對病害區進行人工檢查或化學分析，通常需要經過培訓的專家來鑒定和診斷。然而，專家在診斷過程中容易受到疲勞和情緒變化等個人因素的影響，會造成對疾病的誤判或診斷不及時，給農民帶來巨大的經濟損失。隨著機器學習以及深度學習在近幾年快速發展使得番茄葉片病害識別取得了一定的突破性進展。基于機器學習的番茄葉片病害識別方法通過手工提取病害圖像的紋理和形狀等特征，然后輸入基于機器學習的分類器進行識別，準確性較低且需要人工標注番茄病害特征，而這些特征因病害而異，從而導致其費時費力。此外，即使是同一種疾病，在不同的發病階段表現出來的癥狀也有很大的不同，而且容易受到光照和復雜背景等噪聲的干擾，這使得疾病癥狀特征的提取非常困難。卷積神經網絡憑借其能夠自動提取病葉特征進行識別，在作物病害識別方面取得了顯著的發展，但是傳統的卷積神經網絡盡管會使用具有不同感受野的多個列或來自網絡不同階段的多個分支來捕捉番茄葉片病害類內和類間多尺度的變化，但是它們捕獲的尺度多樣性會受到列或分支數量的限制，因此當尺度變化過于劇烈時就會導致網絡的識別精度低。并且傳統卷積神經網絡的特征提取不夠全面，沒有重點學習圖像中的重要特征，因此在復雜背景下，網絡模型會學到更多的背景特征信息，從而導致識別精度低。此外，此類方法模型結構復雜，導致模型的參數量以及計算量大，難以在實際生活中推廣使用。

發明內容

本發明所要解決的技術問題是提供一種識別精度高，且模型結構簡單，模型的參數量以及計算量較小，能夠在實際生活中推廣使用的基于改進DenseNet模型的番茄葉片病害識別方法。

本發明解決上述技術問題所采用的技術方案為：一種基于改進的DenseNet模型的番茄葉片病害識別方法，包括以下步驟：

S1、對DenseNet模型進行如下四點改進，得到LGDNet(Lightweight?Ghost?DenseNetwork)模型：

一、先將DensenNet模型的每個Dense?Block中的多個依次連接的Bottlenecklayer均采用三個依次連接的Ghost?bottleneck模塊進行替換，將這三個依次連接的Ghostbottleneck按照先后順序分別命名為第一Ghost?bottleneck，第二Ghost?bottleneck和第三Ghost?bottleneck，此時，DensenNet模型中除最后一個Dense?Block的第三Ghostbottleneck與其全局平均池化層連接，其中每個Dense?Block中的第三Ghost?bottleneck均與一個Transition?Layer連接；