一种基于Mixup算法的柑橘黄龙病识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于Mixup算法的柑橘黄龙病识别方法及装置，该方法包括：将待分类的图像进行预处理，对预处理后的图像进行数据增强；将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系；对处理后的图像的像素点进行BN批量归一化处理，使所述像素点符合正态分布；将所述正态分布的像素点输入基于模型融合的深度可分离卷积分类模型，输出所述图像的分类结果。该方法解决了传统数据增强方法过于依赖原始图像和对抗性样本泛化性不足的局限性，采用基于模型融合的深度可分离卷积分类模型，提高了识别效率，降低了过拟合现象，鲁棒性强。

A Method and Device for Citrus Yellow Dragon Disease Recognition Based on Mixup Algorithms

【技术实现步骤摘要】
一种基于Mixup算法的柑橘黄龙病识别方法及装置
本专利技术涉及深度学习领域，具体是一种基于Mixup算法的柑橘黄龙病识别方法及装置。
技术介绍
柑橘黄龙病(CitrusHlb，HLB)，是目前对世界的柑橘产业是最严重的病害。在18世纪的时候，该病害在印度的中部地区被发现，当时被称为梢枯病(dieback)。在中国早些时候，柑橘黄龙病是在南方种植业中发现的，但其发生历史可追溯到更远年代在我国。柑橘黄龙病是在世界各地都是最普遍的果树病害，在中国国内也广泛分布。栽培柑橘的省份有20多个，广东省是其中种植柑橘的主要省份之一。但近年受黄龙病影响，柑橘种植面积在最近几年开始下降，种植区向广西省转移，主要转向广西梧州、贺州、桂林。柑橘园是种植柑橘以及柑橘产量的主要平台，柑橘树患有柑橘黄龙病将直接影响着柑橘的产量，所以采用深度学习方法的智能化检测方式对于柑橘业有着举足轻重的意义。根据对果园发展的参考文献以及果园实地的调查情况进行分析，表明我国的果园管理水平、智能化水平、机械化水平较低。传统的柑橘图像识别方法，不仅耗时费力，且比较依赖人工去做特征提取的工程，而传统的lenet5、AlexNet模型参数量大、识别准确率低。现有图像分类方法中传统的图像增强方法存在局限性，且网络对不同图片的解析都不同，而且网络性能取决于输入的数据，数据容易受图像清晰度、亮度、对比度等各方面的影响。因此，如何对柑橘黄龙病进行准确识别，是同行从业人员亟待解决的问题。
技术实现思路
鉴于上述问题，本专利技术的目的是解决目前传统数据增强方法过于依赖原始图像和对抗性样本泛化性不足的局限性的问题，实现了对柑橘黄龙病的准确、快速识别。本专利技术实施例提供一种基于Mixup算法的柑橘黄龙病识别方法，包括：将待识别的图像进行预处理，对预处理后的图像进行数据增强；将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系；对处理后的图像的像素点进行BN批量归一化处理，使所述像素点符合正态分布；将所述正态分布的像素点输入基于模型融合的深度可分离卷积分类模型，输出所述图像的识别结果。在一个实施例中，将待识别的图像进行预处理，包括：根据所述待识别的图像长宽大小进行中心裁剪固定尺寸，统一裁剪为预设尺寸的图像。在一个实施例中，所述数据增强的方式包括以下一种或多种：错切：错切的程度为-5到5之间，错切角度为-16°到16°；高斯噪声：将原始像中添加一些高斯噪声，将数据扩充N倍；插值：插值顺序为[0，1]，采用最邻近插值和双线性插值；图像仿射：保持图像的平直性，包括旋转，缩放，平移，错切操作；均值扰动：从最邻近像素中取均值扰动；中值扰动：通过最近邻中位数进行扰动。在一个实施例中，将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系，包括：k＝λki+(1-λ)kjy＝λyi+(1-λ)yj式中，特征向量ki，i∈{1，......，m}，yj，j∈{1，......，m}，m个样本，i、j为样本编号，yj为独热编码，λ属于[0，1]区间。在一个实施例中，所述基于模型融合的深度可分离卷积分类模型由下述步骤训练生成，包括：采集、扩充柑橘黄龙病图像，进行预处理，对预处理后的图像进行数据增强；将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系；对处理后的图像的像素点进行BN批量归一化处理，使所述像素点符合正态分布；构建一个卷积神经网络模型；所述卷积神经网络模型包含一个含有深度可分离卷积模块、分类器、输出网络三部分；所述卷积神经网络模型是在深度可分离卷积模型的基础上利用权重连接上下之间的网络，用ResNeXt模块作为输出层；将所述正态分布的像素点输入到深度可分离卷积模块，经过池化层作下采样，减少参数量，计算卷积神经网络输出值与真实值之间的损失值；使用反向传播算法，根据随机梯度下降算法沿着所述损失值下降的方向微调整个网络的权重w；当所述损失值趋向于收敛时，停止训练模型，生成基于模型融合的深度可分离卷积分类模型。在一个实施例中，所述分类器为sigmoid分类器，添加在最后一层，对输入图像进行二分类。在一个实施例中，计算卷积神经网络输出值与真实值之间的损失值，通过下述公式进行计算：式中，E表示预测值与真实值之间的差值，r′是经过激活函数的输出，在0和1之间。第二方面，本专利技术还提供一种基于Mixup算法的柑橘黄龙病识别装置，包括：数据增强模块，用于将待识别的图像进行预处理，对预处理后的图像进行数据增强；计算处理模块，用于将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系；归一化模块，用于对处理后的图像的像素点进行BN批量归一化处理，使所述像素点符合正态分布；输出模块，用于将所述正态分布的像素点输入基于模型融合的深度可分离卷积分类模型，输出所述图像的识别结果。本专利技术实施例提供的上述技术方案的有益效果至少包括：本专利技术实施例提供的一种基于Mixup算法的柑橘黄龙病识别方法，该方法解决了传统数据增强方法过于依赖原始图像和对抗性样本泛化性不足的局限性，采用基于模型融合的深度可分离卷积分类模型提高了识别效率，降低了过拟合现象，鲁棒性强。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术实施例提供的基于Mixup算法的柑橘黄龙病识别方法的流程图；图2为本专利技术实施例1提供的基于Mixup算法的柑橘黄龙病识别方法的流程示意图；图3为本专利技术实施例提供的图像仿射效果图；图4为本专利技术实施例提供的Mixup算法的效果图；图5为本专利技术实施例提供的卷积后特征图；图6为本专利技术实施例提供的ERM分布概率图；图7为本专利技术实施例提供的基于Mixup算法的柑橘黄龙病识别方法的预测示例图；图8为本专利技术实施例提供的基于Mixup算法的柑橘黄龙病识别装置的框图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本专利技术实施例提供的一种基于Mixup算法的柑橘黄龙病识别方法，参照图1，该方法包括：S11、将待识别的图像进行预处理，对预处理后的图像进行数据增强；比如可通过无线摄像机拍照和正则化方法爬取，对图像进行采集和扩充；该图像中包含形状、颜色和边缘特征。S12、将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系；比如输入64批量3维柑橘黄龙病图像。对图像进行错切、插值、高斯扰动、图像仿射、均值扰动、中位数扰动等传统数据增强方法，并结合Mixup算法建立样本之间的线性关系。S13、对处理后的图像的像素点进行BN批量归一化处理，使所述像素点符合正态分布；将每一层输入层进行BN批量归一化N(0，1)的高斯分布操作，本文档来自技高网...

【技术保护点】
1.一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，包括：将待识别的图像进行预处理，对预处理后的图像进行数据增强；将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系；对处理后的图像的像素点进行BN批量归一化处理，使所述像素点符合正态分布；将所述正态分布的像素点输入基于模型融合的深度可分离卷积分类模型，输出所述图像的识别结果。

【技术特征摘要】
1.一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，包括：将待识别的图像进行预处理，对预处理后的图像进行数据增强；将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系；对处理后的图像的像素点进行BN批量归一化处理，使所述像素点符合正态分布；将所述正态分布的像素点输入基于模型融合的深度可分离卷积分类模型，输出所述图像的识别结果。2.如权利要求1所述的一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，将待识别的图像进行预处理，包括：根据所述待识别的图像长宽大小进行中心裁剪固定尺寸，统一裁剪为预设尺寸的图像。3.如权利要求1所述的一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，所述数据增强的方式包括以下一种或多种：错切：错切的程度为-5到5之间，错切角度为-16°到16°；高斯噪声：将原始像中添加一些高斯噪声，将数据扩充N倍；插值：插值顺序为[0，1]，采用最邻近插值和双线性插值；图像仿射：保持图像的平直性，包括旋转，缩放，平移，错切操作；均值扰动：从最邻近像素中取均值扰动；中值扰动：通过最近邻中位数进行扰动。4.如权利要求1所述的一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系，包括：k＝λki+(1-λ)kjy＝λyi+(1-λ)yj式中，特征向量ki，i∈{1，......，m}，yj，j∈{1，......，m}，m个样本，i、j为样本编号，yj为独热编码，λ属于[0，1]区间。5.如权利要求1所述的一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，所述基于模型融合的深度可分离卷积分类模型由下述步骤训练生成，包括：采集、扩充柑橘黄龙病图...

【专利技术属性】
技术研发人员：王卫星，黄仲强，姜晟，赖俊桂，李旺枝，尧港东，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东,44