一种小样本植物病害识别方法及系统技术方案

本发明专利技术公开了一种小样本植物病害识别方法及系统。该方法包括：随机选取多个包含病害的原始图片作为第一样本集；通过改进的基于深度卷积生成对抗网络对第一样本集进行扩充获得第二样本集；对第二样本集进行验证并将验证通过的全部或部分第二样本集与不包含病害的原始图片一起构建训练集；基于训练集对卷积神经网络进行训练获得分类模型；将待识别的病害图像输入分类模型获得病害识别结果。本发明专利技术针对植物的小样本的病害图片，采用改进的深度卷积生成对抗网络对样本集进行扩充，使扩充后的第二样本集中正负比例大致为1:1，使数据达到均衡，且二者的数量已达万级，在扩充后的第二样本集上使用卷积神经网络对病害进行分类，具有很好的分类效果。

A Small Sample Plant Disease Recognition Method and System

【技术实现步骤摘要】
一种小样本植物病害识别方法及系统
本专利技术涉及一种植物病害识别方法，特别是涉及一种小样本植物病害识别方法及系统。
技术介绍
在很多检疫性高危植物病害检测方面，目前都是采用人工检查的方式，比如说柑橘作物中的柑橘溃疡病病害，由于生长环境不同、病斑本身外形多变；采集图像时的光照、拍摄角度、拍摄技巧等诸多原因会影响到图像质量，因此对于质量较高的病斑图像的获取非常困难。对于柑桔溃疡病、柑橘黄龙病等检疫性病害，为了防止病害扩散，一旦发现必须及时采取相应措施(焚毁、掩埋)进行处理。以图像识别为支撑的机器学习的发展非常迅速，比较经典的机器学习方法有：朴素贝叶斯分类器(NaiveBayesianClassifier)、支持向量机(SupportVectorMachine，SVM)、K最近邻(k-NearestNeighbor，KNN)分类算法、决策树(DecisionTree)及Adaboost分类方法等。这些分类方法中最主要的环节就是特征提取，主要包括图像的颜色、形状、亮度等。其中一些特征很容易受外界的干扰，导致一些特征可能会失效；对柑橘病斑来说，病斑出现的位置不固定、病斑外围的形状多变、病斑的完整性不能保证等诸多因素导致特征的提取非常复杂。卷积神经网络的出现和发展将能很好地解决这类问题，不必再人为地去设计、提取特征，都由卷积神经网络自动提取。但是，卷积神经网络需要大量的样本进行训练，在处理小样本的分类任务时效果不佳，而柑橘溃疡病病斑存在样本量太少，样本数据不均衡的问题。在解决小样本问题时常用的方法是：改进分类器的泛化性能、对样本集进行扩充。对于样本量较少的数据集，无论怎么改进模型的泛化性能，卷积神经网络识别效果还是不能让人满意；在扩充样本集方面典型的方法有：物理扩充方法(拉伸、旋转、调整分辨率、镜像)、变分自编码器(VariationalAuto-Encoder，VAE)扩充样本集、自回归模型(Autoregressivemodels)扩充样本集等。但是传统扩充方法中经常出现生成样本质量差、生成样本的多样性不足、出现过拟合的问题以及样本不均衡等问题。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种小样本植物病害识别方法及系统。为了实现本专利技术的上述目的，根据本专利技术的一个方面，本专利技术提供了一种小样本植物病害识别方法，包括：步骤S1，获取小样本植物包含病害以及不包含病害的原始图片，随机选取多个包含病害的原始图片作为第一样本集；通过改进的基于深度卷积生成对抗网络对第一样本集进行扩充获得第二样本集；对第二样本集进行验证并将验证通过的全部或部分第二样本集与不包含病害的原始图片一起构建训练集；步骤S2，基于训练集对卷积神经网络进行训练获得分类模型；步骤S3，将待识别的病害图像输入分类模型获得病害识别结果。上述技术方案的有益效果为：针对植物的小样本的病害图片，采用改进的深度卷积生成对抗网络对样本集进行扩充，使扩充后的第二样本集中正负比例大致为1:1，使数据达到均衡，且二者的数量都已经达到万级，在扩充后的第二样本集上使用卷积神经网络对病害进行分类，达到了很好的分类效果。在本专利技术的一种优选实施方式中，所述步骤S1中，通过改进的基于深度卷积生成对抗网络对第一样本集进行扩充获得第二样本集的步骤包括：步骤S11，去除第一样本集中的模糊不清晰样本；步骤S12，对第一样本集进行增强处理；通过对第一样本集中的图像进行镜像处理获得镜像图像，将镜像图像和原图像分别旋转不同角度，将旋转后的图像作为第一样本集的新样本；步骤S13，对第一样本集中的图片进行去燥处理：对图像利用二维高斯函数先按照行进行滤波，再按列进行滤波，所述二维高斯函数为：其中，δ为标准差，x为图像矩阵的行坐标，y为图像矩阵的纵坐标；对第一样本集中的图片通过线性函数转换法进行图像归一化处理：线性函数表达式如下：其中，I0为归一化处理前的图像实际像素点像素值，I1为归一化处理后的图像像素点像素值，MaxValue、MinValue分别为样本的图像实际像素点最大像素值和图像实际像素点最小像素值；对第一样本集中的图片进行光照均匀化处理，包括：步骤S131，将图片分为R通道图像、G通道图像和B通道图像：步骤S132，在进行图像去噪过程中，将R通道图像、G通道图像和B通道图像分别按照如下过程进行各自通道的光照均匀化处理：设离散图像{xR/G/B},xR/G/B表示R通道值或G通道值或B通道值；设nj表示像素点xR/G/B值为j出现的次数，图像{xR/G/B}中像素点xR/G/B值为j出现的概率是:L是图像{xR/G/B}中所有xR/G/B值中的最大值，N是图像{xR/G/B}的像素点总数，将归一化到[0,1]，的累积分布函数为：v为整数且0≤v≤j,即为图像{xR/G/B}的累计归一化直方图；创建变换yR/G/B＝T(xR/G/B)，对于图像{xR/G/B}中的每个xR/G/B值产生一个yR/G/B，yR/G/B的累计概率函数就可以在所有值范围内进行线性化，转换公式定义为：K为常数，且满足进行如下变换：其中k属于区间[0,L],与j等价，函数T将不同的等级映射到[0,1]域，为了将这些值映射回它们最初的域，需要在结果上应用下面的简单变换：yR/G/B'＝yR/G/B*(max{xR/G/B}.min{xR/G/B})+min{xR/G/B}；步骤S133，将光照均匀化处理后的R通道图像、G通道图像和B通道图像合并获得光照均匀化处理后的图片；步骤S14，将第一样本集输入改进的基于深度卷积生成对抗网络，进行多次迭代，获得第二样本集；所述改进的基于深度卷积生成对抗网络包括生成器神经网络和判断器神经网络；生成器神经网络的输出层和判断器神经网络的输入层不进行批量规范化操作，在改进的基于深度卷积生成对抗网络的隐藏层进行批量规范化操作；在卷积层和批量规范化层(BN层)之间设置了用于随机屏蔽部分信号单元的静音层(Mute层)。上述技术方案的有益效果为：只在生成器的输出层和判别器的输入层使用批量规范化操作，能够避免采样过程震荡和稳定训练过程；从对基于深度卷积生成对抗网络中卷积神经网络的改进入手，在每层的卷积和批量规范化层(BN层)之间加入Mute层，以在训练和验证期间不加区分地抛弃一定数量的信号(或单元)，以消除方差偏移的影响，防止判别器判别过于严格，进而提高生成样本的质量。在本专利技术的一种优选实施方式中，在卷积层和BN层之间设置Mute，在卷积过程中随机屏蔽掉τ×100％的信号单元τ为屏蔽阈值，0＜τ＜1；Mute层公式如下：其中a代表一个(0,1)之间的随机值，b为屏蔽操作标志位，当a的值大于τ时，b的值取0，代表此时不随机屏蔽，当a的值小于τ时，b的值取1，代表此时采取随机屏蔽方式。上述技术方案的有益效果为：公开了Mute层公式，该公式运算量少。在本专利技术的一种优选实施方式中，在所述步骤S1中，对第二样本进行验证包括相似度验证，具体包括：令i＝1，步骤Step0：从多个包含病害的原始图片中随机抽取n个图片构成数据集X；设第一样本集为Odata，第二样本集为Gdata；设wi为来源标签，i表示图片在数据集X中的序号，0＜i＜n+1，wi＝0；预设第一阈值，第一阈值的取值范围为1本文档来自技高网...

【技术保护点】
1.一种小样本植物病害识别方法，其特征在于，包括：步骤S1，获取小样本植物包含病害以及不包含病害的原始图片，随机选取多个包含病害的原始图片作为第一样本集；通过改进的基于深度卷积生成对抗网络对第一样本集进行扩充获得第二样本集；对第二样本集进行验证并将验证通过的全部或部分第二样本集与不包含病害的原始图片一起构建训练集；步骤S2，基于训练集对卷积神经网络进行训练获得分类模型；步骤S3，将待识别的病害图像输入分类模型获得病害识别结果。

【技术特征摘要】
1.一种小样本植物病害识别方法，其特征在于，包括：步骤S1，获取小样本植物包含病害以及不包含病害的原始图片，随机选取多个包含病害的原始图片作为第一样本集；通过改进的基于深度卷积生成对抗网络对第一样本集进行扩充获得第二样本集；对第二样本集进行验证并将验证通过的全部或部分第二样本集与不包含病害的原始图片一起构建训练集；步骤S2，基于训练集对卷积神经网络进行训练获得分类模型；步骤S3，将待识别的病害图像输入分类模型获得病害识别结果。2.如权利要求1所述的小样本植物病害识别方法，其特征在于，所述步骤S1中，通过改进的基于深度卷积生成对抗网络对第一样本集进行扩充获得第二样本集的步骤包括：步骤S11，去除第一样本集中的模糊不清晰样本；步骤S12，对第一样本集进行增强处理；通过对第一样本集中的图像进行镜像处理获得镜像图像，将镜像图像和原图像分别旋转不同角度，将旋转后的图像作为第一样本集的新样本；步骤S13，对第一样本集中的图片进行去燥处理：对图像利用二维高斯函数先按照行进行滤波，再按列进行滤波，所述二维高斯函数为：其中，δ为标准差，x为图像矩阵的行坐标，y为图像矩阵的纵坐标；对第一样本集中的图片通过线性函数转换法进行图像归一化处理：线性函数表达式如下：其中，I0为归一化处理前的图像实际像素点像素值，I1为归一化处理后的图像像素点像素值，MaxValue、MinValue分别为样本的图像实际像素点最大像素值和图像实际像素点最小像素值；对第一样本集中的图片进行光照均匀化处理，包括：步骤S131，将图片分为R通道图像、G通道图像和B通道图像：步骤S132，在进行图像去噪过程中，将R通道图像、G通道图像和B通道图像分别按照如下过程进行各自通道的光照均匀化处理：设离散图像{xR/G/B},xR/G/B表示R通道值或G通道值或B通道值；设nj表示像素点xR/G/B值为j出现的次数，图像{xR/G/B}中像素点xR/G/B值为j出现的概率是:L是图像{xR/G/B}中所有xR/G/B值中的最大值，N是图像{xR/G/B}的像素点总数，将归一化到[0,1]，的累积分布函数为：v为整数且0≤v≤j,即为图像{xR/G/B}的累计归一化直方图；创建变换yR/G/B＝T(xR/G/B)，对于图像{xR/G/B}中的每个xR/G/B值产生一个yR/G/B，yR/G/B的累计概率函数就可以在所有值范围内进行线性化，转换公式定义为：K为常数，且满足进行如下变换：其中k属于区间[0,L],与j等价，函数T将不同的等级映射到[0,1]域，为了将这些值映射回它们最初的域，需要在结果上应用下面的简单变换：yR/G/B'＝yR/G/B*(max{xR/G/B}.min{xR/G/B})+min{xR/G/B}；步骤S133，将光照均匀化处理后的R通道图像、G通道图像和B通道图像合并获得光照均匀化处理后的图片；步骤S14，将第一样本集输入改进的基于深度卷积生成对抗网络，进行多次迭代，获得第二样本集；所述改进的基于深度卷积生成对抗网络包括生成器神经网络和判断器神经网络；生成器神经网络的输出层和判断器神经网络的输入层不进行批量规范化操作，在改进的基于深度卷积生成对抗网络的隐藏层进行批量规范化操作；在卷积层和批量规范化层(BN层)之间设置了用于随机屏蔽部分信号单元的静音层(Mute层)。3.如权利要求2所述的小样本植物病害识别方法，其特征在于，在卷积层和BN层之间设置Mute，在卷积过程中随机屏蔽掉τ×100％的信号单元，τ为屏蔽阈值，0＜τ＜1；Mute层公式如下：其中a代表一个(0,1)之间的随机值；b为屏蔽操作标志位，当a的值大于τ时，b的值取0，代表此时不随机屏蔽，当a的值小于τ时，b的值取1，代表此时采取随机屏蔽方式...

【专利技术属性】
技术研发人员：张敏，孙荣铖，周虹宇，任熠，刘帅，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50