一种基于SqueezeNet的农作物叶片病害识别方法技术

本发明专利技术公开了一种基于SqueezeNet的农作物叶片病害识别方法。其方案是：对原始数据集进行增强和扩充,划分训练集和测试集；从网络规模小型化和计算过程轻量化的角度出发，对经典SqueezeNet结构进行精简与参数修改，获取4种改进后SqueezeNet模型；训练参数设置,多次迭代后得到训练后的模型；将测试集输入训练后的模型,对多种农作物的不同叶片病害进行分类。本发明专利技术提出的改进SqueezeNet模型在显著减少参数内存要求和计算量的同时使模型性能保持在一个较高的水平，较好地平衡了这三项指标，有利于将模型部署在移动终端等嵌入式资源受限设备上，有助于实现对农作物病害的实时准确识别。确识别。确识别。

【技术实现步骤摘要】
一种基于SqueezeNet的农作物叶片病害识别方法


[0001]本专利技术涉及农业植保领域，尤其涉及一种基于SqueezeNet的农作物叶片病害识别方法。

技术介绍

[0002]准确识别农作物病害类别是农作物病害防治的前提，而农作物叶片病斑及其相关特征是判断农作物病害种类及其病害程度的重要依据。传统的农作物病害检测主要依靠人工现场观察判断，存在主观性强、工作强度大等不足。
[0003]利用现代信息技术对农作物病害种类进行诊断和识别是一种先进有效的手段。传统机器学习病害识别方法一般包含图像分割，特征提取和模式识别三个环节，如果不能准确的提取病斑底层特征并选择对分类贡献率较高的特征来进行分类，则分类性能会明显下降。与传统机器学习方法相比，深度学习是一种端到端的方法，它以原始数据为输入，以最终的任务为输出，经过层层抽取将原始数据逐层抽象为任务自身所需要的特征，避免了人为特征选取对分类性能的影响，也同时明显增强系统的识别性能。
[0004]目前卷积神经网络在农业工程相关领域已获得广泛应用。为了获得更好的性能，近年来网络层数不断增加，从7层的AlexNet到16层的VGGNet，再到22层的GoogleNet、152层的ResNet，更有上千层的ResNet和DenseNet等。但这些传统卷积神经网络识别系统存在模型参数大、模型运算量要求高的不足，简言之就是效率问题。
[0005]效率问题主要是模型的存储问题和模型计算量问题。首先，深层次网络需要保存大量权值参数，这对设备内存的要求较高；其次，在实际应用中往往是快速响应需求，为达到实用标准，要么提高处理器性能，要么减少计算量。只有解决CNN效率问题，才能让CNN走出实验室，更广泛的应用于日常生活当中。对此，通常的方法是进行模型压缩，即在已经训练好的模型上进行压缩，使得网络携带更少的网络参数，从而解决内存问题，同时可以解决计算速度问题。
[0006]相比于在已经训练好的模型上进行处理，轻量化模型设计则是另辟蹊径。轻量化模型设计的主要思想在于设计更高效的“网络计算方式”从而使网络参数及计算量减少的同时不过多损失网络的识别性能。

技术实现思路

[0007]专利技术的目的：本专利技术克服了传统卷积神经网络识别系统存在的模型参数量大、模型运算量要求高的不足，在经典SqueezeNet模型的基础上进行改进，提出一种基于SqueezeNet的农作物叶片病害识别方法。
[0008]技术方案：
[0009]本专利技术公开了一种基于SqueezeNet的农作物叶片病害识别方法，包括如下连续步骤：
[0010]1)收集各类不同农作物的不同种类叶片病害图像，对原始数据集进行增强和扩
充,划分训练集和测试集；
[0011]2)从网络规模小型化和计算过程轻量化的角度出发，对经典SqueezeNet结构进行精简与参数修改，获取4种改进SqueezeNet模型；
[0012]3)训练参数设置,多次迭代后得到训练后的模型；
[0013]4)将测试图像输入训练后的模型中进行测试。
[0014]2、根据权利要求1所述的一种基于SqueezeNet的农作物叶片病害识别方法，其特征在于，所述1)中的4种改进SqueezeNet模型的获取包括如下步骤：
[0015]1)将经典SqueezeNet模型的卷积层10输出通道数从1000修改为需要进行分类识别的种类数量，获取改进后的基础模型；
[0016]2)获取第一种改进模型：删除1)中SqueezeNet模型8个fire模块中的最后面3个fire模块，修改此后最后一个fire模块的参数，即把该fire模块中squeeze层的输出通道数量作相应减少，同时把expand层的输出通道数量作相应增加，获取第一种改进后的模型；
[0017]3)在第一种改进模型的基础上，获取第二种改进模型：因为1
×
1的卷积运算量和参数量都是3
×
3卷积时的1/9，因此2)的基础上，将此时模型中所有fire模块的expand层中1
×
1和3
×
3的卷积核数目按3：1的比例重新分配，既减少参数数量，又同时大幅减少计算量，获取第二种改进后的模型；
[0018]4)在第二种改进模型的基础上，获取第三种改进模型：由于特征图的大小与深度学习架构的运算量有紧密关系，把fire模块2从最大池化层A、B之间移动到最大池化层B、C之间，相应计算量会显著减少，获取第三种改进后的模型；
[0019]5)在第三种改进模型的基础上，获取第四种改进模型：由于特征图的大小与深度学习架构的运算量有紧密关系，把fire模块3、4从最大池化层B、C之间移动到最大池化层C后面，相应计算量又会显著减少，获取第四种改进后的模型。
[0020]本专利技术设计的一种基于SqueezeNet的农作物叶片病害识别方法与现有技术相比，其优点在于：
[0021]1)针对传统卷积神经网络识别系统存在模型参数大、模型运算量要求高的不足，本专利技术提出以经典轻量级卷积神经网络SqueezeNet作为模型的基础架构进行作物病害识别，其本身已经是一种轻量且高效的卷积神经网络模型；
[0022]2)从进一步实现网络规模小型化和计算过程轻量化的角度出发，本专利技术对经典SqueezeNet结构进行精简与参数修改，获取4种改进后的SqueezeNet模型；
[0023]3)本专利技术所提出的4种改进模型在显著减少模型参数内存需求和模型计算量的同时使模型性能保持在一个较高的水平，较好地平衡了这三项指标，更加有利于将改进后的模型部署在移动终端等嵌入式资源受限设备上，有助于实现对农作物病害的实时准确识别。
附图说明
[0024]图1是经典SqueezeNet结构图；
[0025]图2是经典SqueezeNet中fire模块内部结构图；
[0026]图3是本专利技术的改进后的基础模型结构图；
[0027]图4是本专利技术的改进的SqueezeNet模型1、2、3、4结构图；
具体实施方式
[0028]下面结合附图并以PlantVillage工程提供的叶片图像数据为例，对本专利技术的
技术实现思路
进行详细阐述。
[0029]以PlantVillage工程开源数据库(www.plantvillage.org)所收集的26类病害叶片及12类健康叶片共38类叶片合计54306张叶片图像作为实验数据，考虑到各类样本数量不均衡问题，在经过欠采样和数据增强(水平镜像翻转、改变亮度、加噪声等)后，使得各类叶片的样本数量大致均衡，总数增加到73327张，随机选取其中的80％作为训练集，20％作为测试集。
[0030]如图1所示，经典SqueezeNet结构包含两个普通的卷积层和8个fire模块。
[0031]输入图片大小为224
×
224像素，第一个卷积层使用3
×
3的卷积核，步长为2，输出通道为64。通过第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明公开了一种基于SqueezeNet的农作物叶片病害识别方法，其特征在于，包括如下连续步骤：1)收集各类不同农作物的不同种类叶片病害图像，对原始数据集进行增强和扩充,划分训练集和测试集；2)从网络规模小型化和计算过程轻量化的角度出发，对经典SqueezeNet结构进行精简与参数修改，获取4种改进SqueezeNet模型；3)训练参数设置,多次迭代后得到训练后的模型；4)将测试图像输入训练后的模型中进行测试。2.根据权利要求1所述的一种基于SqueezeNet的农作物叶片病害识别方法，其特征在于，所述2)中的4种改进SqueezeNet模型的获取包括如下步骤：2.1)将经典SqueezeNet模型的卷积层10输出通道数从1000修改为需要进行分类识别的种类数量，获取改进后的基础模型；2.2)获取第一种改进模型：删除2.1)中SqueezeNet模型8个fire模块中的最后面3个fire模块，修改此后最后一个fire模块的参数，即把该fire模块中squeeze层的输出通道数量作相应减少，同...

【专利技术属性】
技术研发人员：高国琴，刘阳，
申请(专利权)人：江苏大学，
类型：发明
国别省市：