一种基于MDFC-ResNet神经网络的农作物病害细粒度识别方法技术

一种基于MDFC

【技术实现步骤摘要】
一种基于MDFC
‑
ResNet神经网络的农作物病害细粒度识别方法


[0001]本专利技术属于人工智能
，涉及一种农作物病害细粒度识别方法，特别涉及一种基于深度残差网络的MDFC
‑
ResNet神经网络的。

技术介绍

[0002]农作物病害对农业的产量有着十分巨大的负影响，如何对农作物病害进行快速、准确的识别成为了挽回农业损失亟待解决的问题。传统的农作物病害识别大多采取人工的方式，主要由农民自己在田间对农作物病害进行诊断、识别，这很依赖于农民自身对农作物病害的经验，而且还存在个人主观因素强、识别效率低、识别错误率高等问题。近几年，机器学习和深度学习逐步应用在了农作物病害识别中，并且取得了不错的效果。机器学习方法中，数据的特征需要由相关领域专家识别并处理之后，再送入到模型中去学习；而深度学习模型会自己从数据集中提取分类所需的特征信息。传统的机器学习提取到的特征信息相比于深度学习非常有限，所以采用深度学习技术对农作物病害进行识别已经成为当下研究的热点问题之一。
[0003]但是，通过对现有的农作物病害识别方法的分析,发现现有的方法在农作物种类和神经网络上还存在一定的局限性，难以在实际的农业生产生活中起到指导作用，其具体表现为：
[0004]1.传统的人工识别方式过于依赖人对农作物病害的经验，且极易受到个人主观因素的影响，存在识别效率低、识别错误率高等一系列问题。
[0005]2.在机器学习上，数据中的特征需要由相关领域专家识别并处理之后，再送入到模型中去学习；而深度学习模型会自己从数据集中提取分类所需的特征信息。所以传统的机器学习提取到的特征信息相比于深度学习非常有限。
[0006]3.在农作物种类方面，现有的深度学习方法通常识别的农作物种类十分单一(诸如：番茄、黄瓜)，支持多农作物、多病种的、具有高普适性的方法还较少。
[0007]4.目前的农作物病害识别都集中在粗粒度病害识别上，即仅区分出农作物所患病害的种类，并不能明确的识别出农作物所患的病害的细粒度程度，即农作物所患病害的严重程度。而在实际的生产生活中，识别出农作物病害的程度极其重要，农作物病害的程度直接决定了对农作物采取的治疗方案以及用药种类和水平，错误的用药方式不仅难以治疗农作物病害，而且还会影响农作物食用者的安全以及对周围生态环境造成破坏。
[0008]5.在神经网络方面，现有的方法多集中于AlexNet、VGG等浅层神经网络模型，虽然在粗粒度病害上取得了不错的识别效果，但在更为复杂的细粒度病害识别上，结果并不理想。而伴随着层数的加深，识别准确度有望进一步提高。

技术实现思路

[0009]本专利技术要解决的技术问题为：
[0010]本专利技术为了解决了传统的农作物病害识别方法中存在细粒度病害识别准确率低、普适性差等问题，进而提供了一种基于MDFC
‑
ResNet神经网络的农作物病害细粒度识别方法。
[0011]本专利技术为解决上述技术问题所采用的技术方案为：
[0012]一种基于MDFC
‑
ResNet神经网络的农作物病害细粒度识别方法，所述方法的实现过程为：
[0013]步骤一、数据预处理：对采集的农作物图片进行预处理以适于模型训练，具体包括：
[0014]第一步、数据增强：数据增强用于消除各个类别之间图片数量的差异，每个类别对应一个具体农作物的健康状态或某种疾病的程度，通过对图片数量较少的类别使用数据增强技术(水平翻转与旋转)来对样本进行扩充；
[0015]第二步、数据归一化：对图片大小归一化用于统一采集的农作物图片大小，在模型训练前将数据增强后的数据集的图片统一归一化为224像素
×
224像素；
[0016]第三步、SVD压缩图片：SVD压缩图片用于改善图片质量，从原始图片中的提取出重要信息并去除图片中的噪声；
[0017]步骤二，通过对传统的ResNet
‑
50神经网络的初始化器与优化器进行优化，为模型选出最优的初始化器与优化器，得到优化后的ResNet
‑
50神经网络；
[0018]以数据预处理后获得的数据集中的训练集作为模型的输入、数据集中农作物图片对应的农作物病害识别结果做为输出作为模型的输出对优化后的MDFC
‑
ResNet神经网络进行训练，从而得到最终的训练好的MDFC
‑
ResNet神经网络，即获得用于多种农作物病害进行细粒度识别的模型；
[0019]步骤三，采用训练好的MDFC
‑
ResNet神经网络对多种农作物病害进行细粒度识别。
[0020]进一步地，在步骤一中，将数据集按照4:1的比例划分为训练集和验证集，再留一小部分作为测试集；训练集、验证集和测试集三者独立存在，互相之间没有交集。
[0021]进一步地，在步骤二中，训练集用于作为训练模型的输入，验证集输入给验证模型，训练模型的输出结果输入给验证模型，验证模型给出训练模型是否符合预期的判判：如果是，则保存模型，测试集输入给保存模型，保存模型输出测试准确率，否则，调整训练模型的参数，再通过验证模型进行判断，直至符合预期。
[0022]进一步地，在步骤三中，采用改进的MDFC
‑
ResNet神经网络对多种农作物病害进行细粒度识别的过程为：
[0023]具体为：在第一维度即物种识别维度中，对农作物叶片进行物种识别，得出其物种维度识别的矩阵分布结果；在第二维度即粗粒度病害识别维度中，对农作物叶片进行粗粒度病害识别，得出其粗粒度病害识别的矩阵分布结果；在第三维度即细粒度病害识别维度，对农作物叶片进行细粒度病害识别，得出其细粒度病害识别的矩阵分布结果；
[0024]在三个维度之后，设立补偿层，补偿层接收来自三个维度的识别概率分布矩阵，将所属物种的概率分布矩阵、所得粗粒度病害的概率分布矩阵作为反馈数据补偿进所得细粒度病害的概率分布矩阵，从而提高细粒度病害的识别结果。
[0025]进一步地，三个维度与补偿层之间关系具体为：
[0026]在第一维度(物种识别维度)，对农作物叶片进行物种识别，得出其物种维度识别
的矩阵分布结果；在第二维度(粗粒度病害识别维度)，对农作物叶片进行粗粒度病害识别，得出其粗粒度病害识别的矩阵分布结果；在第三维度(细粒度病害识别维度)，对农作物叶片进行细粒度病害识别，得出其细粒度病害识别的矩阵分布结果。在三个维度之后，设立了补偿层，补偿层接收来自三个维度的识别概率分布矩阵，将所属物种的概率分布矩阵、所得粗粒度病害的概率分布矩阵作为反馈数据补偿进所得细粒度病害的概率分布矩阵，从而提高细粒度病害的识别结果。
[0027]进一步地，在步骤一的第一步中，每个类别对应一个具体农作物的健康状态或某种疾病的程度，类别0
‑
59分为60类，具体的类别如表1所示。
[0028]进一步地，补偿层的公式如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MDFC
‑
ResNet神经网络的农作物病害细粒度识别方法，其特征在于，所述方法的实现过程为：步骤一、数据预处理：对采集的农作物图片进行预处理以适于模型训练，具体包括：第一步、数据增强：数据增强用于消除各个类别之间图片数量的差异，每个类别对应一个具体农作物的健康状态或某种疾病的程度，通过对图片数量较少的类别使用数据增强技术来对样本进行扩充；第二步、数据归一化：对图片大小归一化用于统一采集的农作物图片大小，在模型训练前将数据增强后的数据集的图片统一归一化为224像素
×
224像素；第三步、SVD压缩图片：SVD压缩图片用于改善图片质量，从原始图片中的提取出重要信息并去除图片中的噪声；步骤二，通过对传统的ResNet
‑
50神经网络的初始化器与优化器进行优化，为模型选出最优的初始化器与优化器，得到优化后的ResNet
‑
50神经网络；以数据预处理后获得的数据集中的训练集作为模型的输入、数据集中农作物图片对应的农作物病害识别结果做为输出作为模型的输出对优化后的MDFC
‑
ResNet神经网络进行训练，从而得到最终的训练好的MDFC
‑
ResNet神经网络，即获得用于多种农作物病害进行细粒度识别的模型；步骤三，采用训练好的MDFC
‑
ResNet神经网络对多种农作物病害进行细粒度识别。2.根据权利要求1所述的一种基于MDFC
‑
ResNet神经网络的农作物病害细粒度识别方法，其特征在于，在步骤一中，将数据集按照4:1的比例划分为训练集和验证集，再留一小部分作为测试集；训练集、验证集和测试集三者独立存在，互相之间没有交集。3.根据权利要求1或2所述的一种基于MDFC
‑
ResNet神经网络的农作物病害细粒度识别方法，其特征在于，在步骤二中，训练集用于作为训练模型的输入，验证集输入给验证模型，训练模型的输出结果输入给验证模型，验证模型给出训练模型是否符合预期的判判：如果是，则保存模型，测试集输入给保存模型，保存模型输出测试准确率，否则，调整训练模型的参数，再通过验证模型进行判断，直至符合预期。4.根据权利要求3所述的一种基于MDFC
‑
ResNet神经网络的农作物病害细粒度识别方法，其特征在...

【专利技术属性】
技术研发人员：胡伟健，李灵芳，樊杰，李宝山，张万锴，
申请(专利权)人：内蒙古智牧溯源技术开发有限公司，
类型：发明
国别省市：