一种基于空洞卷积的复杂背景下果树病虫害识别方法技术

一种基于空洞卷积的复杂背景下果树病虫害识别方法，先进行果树叶部病虫害图像采集，得到具有样本标签的原始训练集，然后进行数据增广操作得到扩展训练样本集，再进行求取平均值，将所有原始训练集图像进行均值化处理，再进行随机置乱处理，形成训练数据集；然后建立空洞卷积神经网络模型，利用训练数据集对空洞卷积神经网络模型进行病害种类识别训练，通过空洞卷积层提取输入图像的特征图，利用非线性激活函数得到输入图像的非线性特征图；使用池化层对卷积层权重参数进行约简；使用多尺度卷积核获取输入图像的不同特征，最后使用Soft Max分类器，对输入图像的病害类别进行分类；本发明专利技术缩短模型训练时间，加快识别速度，提高识别准确率。

【技术实现步骤摘要】
一种基于空洞卷积的复杂背景下果树病虫害识别方法
本专利技术涉及农业病虫害识别
，尤其涉及一种基于空洞卷积的复杂背景下果树病虫害识别方法。
技术介绍
果树病虫害是影响作物产量与质量的关键因素，由于果树病虫害类型多达上万种，对不同病虫害的准确识别是进行防治的前提。传统的病虫害识别方式主要依靠个人经验进行识别，费时费力且准确率较低。近年来，随着计算机视觉和模式识别等技术的发展，研究人员利用深度学习和机器学习的方法对病虫害进行识别取得了一定的成功。目前基于深度学习的病虫害识别方法虽然取得了较高的识别精度，但是存在模型内存需求大、收敛速度慢和训练时间长等缺点。而且现存的识别方法都是在简单背景下进行识别，在复杂背景下的识别准确率较低。空洞卷积神经网络是在AlexNet的基础上做出改进，首先采用空洞卷积的方式扩大卷积层的局部感受野，然后使用全局池化层代替全连接层缩减权重参数，最后使用多尺度特征融合的方法增加卷积层学习特征的多样性。经过验证表明，空洞卷积神经网络不仅减少了所需的内存空间和模型训练时间，而且在复杂背景下可以对多种植物病虫害进行识别。目前还没有将空洞卷积应用于复杂背景下果树病虫害识别。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供了一种基于空洞卷积的复杂背景下果树病虫害识别方法，缩短模型训练时间，加快识别速度，提高复杂背景下果树病虫害识别准确率。为了达到上述目的，本专利技术采取的技术方案为：一种基于空洞卷积的复杂背景下果树病虫害识别方法，包括以下步骤：步骤1：使用数码相机和在果园中布置的摄像机进行果树叶部病虫害图像采集，将采集后的图像缩放为统一大小格式，按类别将缩放后的图像划分为不同的病害种类，并加标签，得到具有样本标签的原始训练集；步骤2：对步骤1得到的原始训练集进行数据增广操作得到扩展训练样本集，数据增广操作通过随机反转、变换角度、随机缩放和颜色抖动4种操作方式；步骤3：对步骤2得到的扩展训练样本集进行求取平均值，将所有原始训练集图像减去相应像素位置的均值，然后对均值化处理后的训练集图像进行随机置乱处理，形成最后的训练数据集；步骤4：建立空洞卷积神经网络模型：将AlexNet卷积神经网络模型的所有卷积层替换为空洞卷积层，采用全局池化层代替全连接层操作，最后使用多尺度融合的方式增强特征的多样性；空洞卷积神经网络基本结构包括5个卷积层Conv1～Conv5、3个池化层Pool1～Pool3、1个全局池化层GlobalPooling、1个多尺度卷积层Inception、1个特征融合层ConCat和1个SoftMax分类器，使用非线性激励函数对每个卷积层输出的特征图进行激活；步骤5：利用步骤3得到的训练数据集对步骤4建立的空洞卷积神经网络模型进行病害种类识别训练，通过空洞卷积层提取输入图像的特征图，利用非线性激活函数得到输入图像的非线性特征图；使用池化层对卷积层权重参数进行约简，利用全局池化层减少参数数量，增加空洞卷积神经网络模型的鲁棒性；使用多尺度卷积核获取输入图像的不同特征，增加卷积层学习特征的多样性；最后使用SoftMax分类器，对输入图像的病害类别进行分类。本专利技术的有益效果为：在本专利技术构造的空洞卷积神经网络模型中，利用空洞卷积代替传统的AlexNet网络模型中的卷积核，扩大了局部感受野，增强了卷积层的特征提取能力。使用全局池化层可以有效减少模型训练的参数数量，一定程度上避免过拟合。利用多尺度卷积核提取输入图像的不同尺度特征，将这些特征进行融合后可以提高模型的识别准确率。由于增加了特征融合成，大幅度提高了模型识别的鲁棒性，在复杂背景下也具有较高的识别准确率。本专利技术模型参数占用内存少，训练速度快，同时具有较高的识别准确率，可以方便的移植到各种病虫害检测系统当中。附图说明图1为本专利技术方法的流程图。图2为本专利技术方法不同扩展系数的空洞卷积示意图，图(a)扩展系数为1，图(b)扩展系数为2，图(c)扩展系数为4。图3为本专利技术方法对两种果树病虫害所检测到的病斑图像，图(a)为原始病虫害叶片图像；图(b)为检测到的病斑图像。具体实施方式下面结合附图和实施例对本专利技术进行详细描述。一种基于空洞卷积的复杂背景下果树病虫害识别方法，包括以下步骤：步骤1：使用数码相机和在果园中布置的摄像机进行果树叶部病虫害图像采集，将采集后的图像缩放为统一大小格式，按类别将缩放后的图像划分为不同的病害种类，并加标签，得到具有样本标签的原始训练集；本实施例将图像大小统一缩放为256×256×3大小的彩色图像；由于病斑区域在整个图像中所占比例较小，所以首先对图像进行裁剪，将图像裁剪为4个不同子图，分别在子图中对图像的病斑区域进行标注，标注时使用圆形来标注图像的病斑区域，然后将标注后的子图进行拼接复原；步骤2：对步骤1得到的原始训练集进行数据增广操作，操作步骤为随机反转、角度变换、随机缩放和颜色抖动，通过这些操作可以增强空洞卷积神经网络模型的学习能力，提高空洞卷积神经网络模型的识别准确率，将原始训练集扩充为30000幅图像的扩展训练样本集；具体的数据增广操作步骤为：2.1随机反转：将原始训练集图像以图像中心点为基准，进行随机的水平和垂直反转操作；2.2角度变换：将原始训练集图像在(0°～180°)范围内进行随机角度变换，以变换中心为原点，裁剪出4幅大小相同的图像；2.3随机缩放：将原始训练集图像在缩放比例因子为(1～1.5)的范围内随机进行缩放5次，以图像中心为原点，裁剪出4幅大小相同的图像；2.4颜色抖动：将原始训练集图像的R、G和B三个颜色分量分别统一用因子在[0.8,1.2]范围内随机相乘5次，然后再将相乘后的R、G和B三个分量整合为原始RGB图像，以图像中心为原点，裁剪出4幅大小相同的图像；步骤3：对步骤2得到的扩展训练样本集进行求取平均值，将所有原始训练集图像减去平均值，然后对经过均值处理后的训练集图像置乱处理，形成最后的均值归一化后的训练数据集；步骤4：建立空洞卷积神经网络模型：空洞卷积神经网络是在AlexNet卷积神经网络模型的基础上修改而成，将AlexNet卷积神经网络模型的卷积层Conv1～Conv5中原始的卷积核替换为空洞卷积核，在Conv4后面加上一个多尺度卷积层Inception和一个特征融合层ConCat，在Conv5后面加上一个全局池化层GlobalPooling，全局池化层后为一个SoftMax分类器，如图1所示，空洞卷积神经网络模型包括5个卷积层Conv1～Conv5、3个池化层pool1～pool3、1个全局池化层GlobalPooling、1个多尺度卷积层Inception、1个特征融合层ConCat和1个Softmax分类器，使用非线性激励函数对每个卷积层输出的特征图进行激活,使用非线性激励函数缩短空洞卷积神经网络模型的训练时间，并且在一定程度上可以抑制空洞卷积神经网络模型的过拟合现象；每一个卷积层后面都要经过一个非线性激活函数(RELU)，参照图1，在图1中每个层右边的数字表示该层的输出通道数，箭头左边的数字为卷积核的大小；步骤5：利用步骤3得到的训练数据集对步骤4建立的空洞卷积神经网络模型进行训练，包括以下步骤：步骤5.1，由空洞卷积神经网络模型的Conv1～Conv4卷积层对输入本文档来自技高网...

【技术保护点】
1.一种基于空洞卷积的复杂背景下果树病虫害识别方法，其特征在于，包括以下步骤：步骤1：使用数码相机和在果园中布置的摄像机进行果树叶部病虫害图像采集，将采集后的图像缩放为统一大小格式，按类别将缩放后的图像划分为不同的病害种类，并加标签，得到具有样本标签的原始训练集；步骤2：对步骤1得到的原始训练集进行数据增广操作得到扩展训练样本集，数据增广操作通过随机反转、变换角度、随机缩放和颜色抖动4种操作方式；步骤3：对步骤2得到的扩展训练样本集进行求取平均值，将所有原始训练集图像减去相应像素位置的均值，然后对均值化处理后的训练集图像进行随机置乱处理，形成最后的训练数据集；步骤4：建立空洞卷积神经网络模型：将Alex Net卷积神经网络模型的所有卷积层替换为空洞卷积层，采用全局池化层代替全连接层操作，最后使用多尺度融合的方式增强特征的多样性；空洞卷积神经网络基本结构包括5个卷积层Conv1～Conv5、3个池化层Pool1～Pool3、1个全局池化层Global Pooling、1个多尺度卷积层Inception、1个特征融合层Con Cat和1个Soft Max分类器，使用非线性激励函数对每个卷积层输出的特征图进行激活；步骤5：利用步骤3得到的训练数据集对步骤4建立的空洞卷积神经网络模型进行病害种类识别训练，通过空洞卷积层提取输入图像的特征图，利用非线性激活函数得到输入图像的非线性特征图；使用池化层对卷积层权重参数进行约简，利用全局池化层减少参数数量，增加空洞卷积神经网络模型的鲁棒性；使用多尺度卷积核获取输入图像的不同特征，增加卷积层学习特征的多样性；最后使用Soft Max分类器，对输入图像的病害类别进行分类。...

【技术特征摘要】
1.一种基于空洞卷积的复杂背景下果树病虫害识别方法，其特征在于，包括以下步骤：步骤1：使用数码相机和在果园中布置的摄像机进行果树叶部病虫害图像采集，将采集后的图像缩放为统一大小格式，按类别将缩放后的图像划分为不同的病害种类，并加标签，得到具有样本标签的原始训练集；步骤2：对步骤1得到的原始训练集进行数据增广操作得到扩展训练样本集，数据增广操作通过随机反转、变换角度、随机缩放和颜色抖动4种操作方式；步骤3：对步骤2得到的扩展训练样本集进行求取平均值，将所有原始训练集图像减去相应像素位置的均值，然后对均值化处理后的训练集图像进行随机置乱处理，形成最后的训练数据集；步骤4：建立空洞卷积神经网络模型：将AlexNet卷积神经网络模型的所有卷积层替换为空洞卷积层，采用全局池化层代替全连接层操作，最后使用多尺...

【专利技术属性】
技术研发人员：王振，张善文，师韵，
申请(专利权)人：西京学院，
类型：发明
国别省市：陕西,61