基于深度学习的苹果病毒识别方法技术

本发明专利技术公开了一种基于深度学习的苹果病毒识别方法，在基于深度学习下，通过对原残差网络结构及损失函数进行改进来构建果害识别网络；同时针对小样本下的训练问题，在网络训练过程中结合了迁移学习与分层学习率的策略进行模型训练；并对最终得到模型进行压缩，从而降低模型的部署成本，提高识别效率，为农作物病害识别提供了理论指导与技术支撑。

【技术实现步骤摘要】
基于深度学习的苹果病毒识别方法
本专利技术涉及苹果病毒识别领域。
技术介绍
农作物病毒识别对于作物的生长具有重要作用。而对于病毒识别有多种方法，传统的图像技术虽然对样本数量要求并不高，但对人力资源的耗费较高，且容易受到经验主义的影响；高光谱图像法能从光谱分布的角度判断农作物情况，但其高昂的造价和较强的设备依赖性使其难以推广使用；而深度学习的方法既克服了手工提取特征的缺点，又能方便的推广到果园中使用，因此采用深度学习的方法来进行苹果的病害检测。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于深度学习的苹果病毒识别方法能有效的解决在苹果病毒识别上的问题的效果。技术方案：为实现上述目的，本专利技术的技术方案如下：基于深度学习的苹果病毒识别方法，苹果病毒识别系统方法如下：(1)对现有苹果病毒识别算法中神经网络结构参数较多，用来训练苹果病害分类容易导致过拟合的问题，提出一种改进残差网络的神经网络结构，通过优化原有残差网络卷积核组成来减少参数量；并对不同病害特征相似容易误识别的问本文档来自技高网...

【技术保护点】
1.基于深度学习的苹果病毒识别方法，其特征在于，苹果病毒识别系统方法如下：/n(1)对现有苹果病毒识别算法中神经网络结构参数较多，用来训练苹果病害分类容易导致过拟合的问题，提出一种改进残差网络的神经网络结构，通过优化原有残差网络卷积核组成来减少参数量；并对不同病害特征相似容易误识别的问题，在传统损失函数中加入类间相似惩罚项来提升病害识别准确率；/n(2)从神经网络的训练层次出发，在模型参数初始化方案上应用迁移学习，先让模型在包含大量图片的数据集上进行训练，学到先验知识，再将得到的卷积层参数作为苹果病害分类网络卷积层的初始化参数进行微调训练；同时对网络不同深度的层使用分层学习率，从而使网络不同层...

【技术特征摘要】
1.基于深度学习的苹果病毒识别方法，其特征在于，苹果病毒识别系统方法如下：
(1)对现有苹果病毒识别算法中神经网络结构参数较多，用来训练苹果病害分类容易导致过拟合的问题，提出一种改进残差网络的神经网络结构，通过优化原有残差网络卷积核组成来减少参数量；并对不同病害特征相似容易误识别的问题，在传统损失函数中加入类间相似惩罚项来提升病害识别准确率；
(2)从神经网络的训练层次出发，在模型参数初始化方案上应用迁移学习，先让模型在包含大量图片的数据集上进行训练，学到先验知识，再将得到的卷积层参数作为苹果病害分类网络卷积层的初始化参数进行微调训练；同时对网络不同深度的层使用分层学习率，从而使网络不同层均能接近或稳定在最优解附近；
(3)使用基于迁移学习和改进残差网络来训练得到苹果病害分类模型，在其基础上对模型进行调整优化，通过网络剪枝和量化来精简模型结构与参数量，在确保精度的情况下大幅缩小模型大小，进一步提高识别模型识别速度，并最终形成一套完整的苹果病害识别系统。


2.根据权利要求1所述的基于深度学习的苹果病毒识别方法，其特征在于：所述神经网络结构包括残差网络结构sResNet(smallResidualNetwork)；所述残差网络结构sResNet主体由4部分卷积核尺寸不一致的残差块及两层全连接层构成，包含3个输出通道128的残差块、3个输出通道256的残差块、5个输出通道512的残差块、3个输出通道1024的残差块；所述由3个卷积层组成，每层之间使用ReLu作为激活函数，经过残差结构连接后通过最大值池化层输出；输入的原始图像经过预处理后，输入进网络的卷积层，分别经过42层卷积层得到特征表达后，再通过一层全连接层进行特征的加权组合，最终输出对应的类别。


3.根据权利要求1所述的基于深度学习的苹果病毒识别方法，其特征在于：所述神经网络结构还包括Sigmoid激活函数和改进的损失函数；
Sigmoid激活函数：
Sigmoid激活函数表达式如下：



Sigmoid函数的导数可以通过链式法则求导得到，即：
Sigmoid'(x)＝Sigmoid(x)(1-Sigmoid(x))(3-10)
改进的损失函数：设分别有两个具有不同病害的苹果样本x1、x2对应的病害特征为p1,p2，则有：p1＝F(x1,wconv,bconv)
p2＝F(x2,wconv,bconv)(3-17)
由于当网络训练好后，权值wconv与偏差bconv将被固化，那么对样本进行分类，有：



在原BCE损失函数基础上加入了专门针对相似特征不同类样本的类间相似惩罚项：



A可用下式(3-20)计算出：



最终改进的损失函数见式3-21：





4.根据权利要求1所述的基于深度学习的苹果病毒识别方法，其特征在于，验证残差网络结构sResNet和改进的损失函数对模型准确率的提升：
设立4组对比实验：
(1)sResNet+改进损失函数；
(2)sResNet+原损失函数；
(3)ResNet50+改进损失函数；
(4)ResNet50+原损失函数；
模型评价指标则选取精准率(Precision)、召回率(Recall)、F1分数(F...

【专利技术属性】
技术研发人员：田军委，张震，肖经纬，王沁，赵鹏，苏宇，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：陕西;61