[发明专利]基于深度卷积神经网络的番茄病害识别方法

说明书

本发明公开了基于深度卷积神经网络的番茄病害识别方法，本发明采用深度神经网络Residual 56Attention，ResNet通过残差学习解决了深度网络的退化问题，以训练出更深的网络的同时节省了大量资源占用。Residual 56Attention在ResNet基础上引入了Attention机制，逐渐提取高层特征并增大模型的感受野，高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上。在原有的Residual 56Attention网络基础上所有的激活函数层均使用ELU函数作为激活函数，在样本识别时运算效率更高，而模型参数减少，收敛速度更快，降低了资源的占用，以及对软硬件的高需求，可以更好投入到实际使用。

技术领域

本发明属于深度学习计算机视觉领域，主要是一种基于深度卷积神经网络识别方法，可应用于番茄病害识别。

背景技术

番茄在中国的农业经济中占有举足轻重的地位，番茄病害是影响番茄产量的主要病害之一，严重影响了农业经济的发展。例如，早疫病是世界上最常见的病害之一，其会造成产量的大幅度下降，晚疫病对农作物的危害也很大，在气候潮湿的地区危害很大。防治番茄病害是提高番茄产量和品质的关键。因此，早期发现和良好的疾病识别，有助于减少农业病虫害所造成的损害。为了更好的识别农业病虫害，农业从业者必须经过学术培训并且有着广泛的各种学科的知识，以及经验，以及了解大量和多样的疾病的原因。因此，一个好的农业医生需要知道疾病引起的所有症状和特征。因此研究人员提出一种利用农作物叶部图像自动分类病虫害的策略。这些方法的目的是早期发现农业病虫害，并在适当的时候进行适当的治疗。这些方法基于机器学习和计算机视觉，使用叶子的图像构建疾病分类器。在构建分类器时，从图像中提取特征，方便分类器的工作。专家们创建这些特征并从图像中提取相关信息，这种特征成为手工特征。由于依赖专家和手工制作的特性，学习系统并不是完全自动化，以往的研究多采用小的标记数据集(10-800幅图像)来训练和评价分类的准确性。然而，现有方法还是存在一定缺陷性。首先在对图像标注分割时，需要操作人员具有相关领域的专业知识，能够对标注样本点或纹理特征做出专业解释，而不同的方法提取到的特征不尽相同，同时有些图像十分复杂，如果计算机可以实现自动提取图像中特征，对图像进行分类，结果可能会更加客观，分类精度也会更高。

发明内容

本发明的目的在于对番茄病虫害图片提出一个基于深度卷积网络的番茄病虫害识别模型。需要从AI CHALLENGER下载对应的农作物病害检测数据集，并筛选出全部的番茄病害图片。并且对番茄病害数据进行数据增强以及数据预处理，本发明提出了6种不同的数据增强方法。最后构建出能能够高效提取番茄病虫害图片的图像特征的残差神经网络模型。使用交叉验证对模型进行训练并进行测试，完成视觉辅助检测模型(VAD)的构建。

为了实现上述目的，本发明采用以下技术方案：为了让模型保持很好的鲁棒性，并对提升番茄病害图片的识别准确性的同时让模型的深度达到很深的层次。因此本发明采用深度神经网络Residual 56Attention，ResNet通过残差学习解决了深度网络的退化问题，以训练出更深的网络的同时节省了大量资源占用。Residual 56Attention在ResNet引入Attention机制。在普通的ResNet网络中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，高层特征的激活对应位置能够反映attention的区域，然后再对这种具有Attention特征的Feature map进行上采样，使其大小回到原始Feature map的大小，就将Attention对应到原始图片的每一个位置上，这个Feature map叫做Attention map，与原来的Feature map进行element-wise product的操作，相当于一个权重器，增强有意义的特征，抑制无意义的信息。