【技术实现步骤摘要】
基于动态神经网络的多种类农作物叶病识别方法
[0001]本专利技术属于植物病害检测领域，具体涉及一种基于动态神经网络的多种类农作物叶病识别方法。
技术介绍
[0002]农作物的病害一直以来都是农业种植户困扰，传统判断农作物叶病类型的方式是通过肉眼观察，这种方式需要专家到现场进行观察和判断，有着一定的局限性。及时有效地分析出农作物的病害的类别，有助于迅速进行相应的病害防治措施，从而减少经济损失。
[0003]目前，有很多基于深度学习的农作物叶病识别方法，它们大都是对某一种特定农作物，针对不同的病害设计特征提取方法，进而进行该特定作物病害的识别。但是，针对多种农作物进行病害识别的技术比较少，种农作物叶病识别方法主要存在以下三个方面的难点：(1)农作物叶病图像中存在大量的环境信息，需要在尽可能保证该种作物叶片和病斑信息完整的同时，去除掉其他的背景信息；(2)多种农作物的叶部病斑大小不一、形状不规则，使用固定的卷积核难以提取多种农作物病斑的有效特征；(3)较轻的叶病病状使用简单的网络即可识别，固定网络结构的识别方法往往造成了计算资源的浪费，需要满足使用较少计算资源达到较高准确度率。
[0004]对于植物叶部病害而言，植物叶部病害根据不同时期的症状，病斑轮廓会随着病情的持续逐渐扩散而加重，表征不规则。采用传统固定网络结构的方法无法根据植物叶病的复杂程度进行动态的调整，它只会按照事先设计好的网络结构去计算，最后输出预测结果，对于较为复杂的农作物叶病的图片识别效果较差，而且训练时间和计算资源损耗往往非常大。>
技术实现思路
[0005]本专利技术为解决传统固定网络结构无法更好的识别多种农作物叶病等问题，提出一种基于动态神经网络的多种类农作物叶病识别方法，可以动态调整模型的网络结构，具有较强的鲁棒性，对多种农作物叶病的识别具有较好的表现效果。
[0006]本专利技术是采用以下的技术方案实现的：一种基于动态神经网络的多种类农作物叶病识别方法，包括以下步骤：
[0007]步骤A、随机选取部分农作物叶病图像数据进行像素级标记，训练用于图像分割的卷积神经网络；
[0008]步骤B、基于训练好的卷积神经网络对农作物叶病图像进行自动分割，提取图像中的有效信息；
[0009]步骤C、设计动态神经网络模型，包括动态卷积模块、浅层分类器和早退机制，实现基于动态网络结构的叶病识别，包括：
[0010]步骤C1、将步骤B中分割后的图像进行图像增强，并对增强的图像进行标准化；
[0011]步骤C2、构建动态卷积模块进行特征提取：动态卷积模块包括注意力机制层和动
态卷积核，将增强后的图像输入到注意力机制层进行特征提取，得到注意力机制判定的关键特征，然后通过SoftMax计算出叶病的关键特征所占的比例，将注意力机制层计算得到的叶病关键特征所占比例与若干个卷积核相乘并最后相加，合并为动态卷积核，通过动态卷积核对输入图像进行叶病的特征提取；
[0012]步骤C3、构建浅层分类器，本方法主干网络是4层的动态卷积模块，每层动态卷积模块会接出浅层分类器和早退机制的分支，获取浅层分类结果和该浅层分类器的置信度；
[0013]步骤C4、构建早退机制，设定每层浅层分类器的置信度阈值，根据步骤C3中的得到置信度判断该浅层分类器的分类结果是否为最终结果，若不是，则采用更深层次的动态卷积模块进行特征提取，直到浅层分类结果为最终结果；然后计算最终结果的交叉熵损失并更新网络参数；
[0014]步骤C5、每个训练批次结束后，使用测试集评估植物叶部病害识别模型的准确率，将准确率最高的动态神经网络模型保存为最终模型，实现对多种类农作物叶病的识别。
[0015]进一步的，所述步骤A具体包括以下步骤：
[0016]步骤A1、构建用于叶病图像自动分割的卷积神经网络模型，初始化卷积神经网络模型的网络参数；
[0017]步骤A2、从每类叶病的图像中随机选取部分图像，将图像的叶片有效特征部分进行像素点标记并转化为0
‑
1掩膜的有标记样本；将经过像素点标记的有标记样本记作：
[0018][0019]其中，x
b
代表随机选取出的部分图像，B代表被选取图像的数量，代表x
b
对应的0
‑
1掩膜，掩膜中标记为1的像素点代表叶片部分，标记为0的像素点代表背景部分；
[0020]步骤A3、使用选取的原始图像和标记的样本训练卷积神经网络模型，采用Dice系数对有标记样本计算损失，更新网络参数。
[0021]进一步的，所述步骤B中，将数据集中所有农作物病害图像输入到训练好的分割网络中进行自动的分割和有效信息提取，所述有效信息是指祛除背景后的叶病图像，具体包括：
[0022]步骤B1：将所有分割后的图像随机重排得到重排序列，采用索引指代混合后的所有样本,将混合序列的所有索引记为:
[0023][0024]步骤B2：将S作为模型的输入，使数据集的所有图像更换为分割后的图像，分割后的图像表示为：
[0025][0026]其中S
b
代表模型输入的图像，代表模型输出的0
‑
1掩膜。
[0027]进一步的，所述步骤C1中，增强方式为随机裁剪后进行图像翻转，每个图像产生若干个增强的图像，对这些增强的图像进行标准化，具体包括：
[0028](1)将经过多次数据增强后的样本记作：
[0029][0030]其中，K是数据增强种类的数量，k代表当前样本的增强种类，是步骤3中分割后
的图像，代表分割后的图像经过第k中数据增强后的图像数据；
[0031](2)将每个增强的样本标准化：
[0032][0033]其中，channel代表输入图像的通道总数，为输入图像的第n个通道上的二维特征矩阵，mean和std为固定值，V[n]代表标准化后的图像的第n个通道上的二维特征矩阵。
[0034]进一步的，所述步骤C2中：
[0035](1)注意力机制层提取关健特征所占比例表示为：
[0036][0037][0038][0039]其中，V[n]ij
表示为图像V第n个通道上位置为(i,j)的像素点，MAX函数表示为对作用域取最大值，Conv2d表示为卷积核大小为1、步长为1、padding为0的卷积运算，DimReduce表示将自变量直接映射到一维空间的函数，A
j
表示为A的第j个位置的数值，L为超参数；
[0040](2)动态卷积核的权重和偏置表示为：
[0041][0042][0043]其中，W,b为卷积核的权重和偏置，为动态卷积核的权重和偏置。
[0044]进一步的，所述步骤C3中，构建浅层分类器包括以下步骤：
[0045][0046]Out＝DimReduce(BN(Conv1(BN(Conv3(BN(Conv1(V
i
)))))))
[0047]其中，V本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于动态神经网络的多种类农作物叶病识别方法，其特征在于，包括以下步骤：步骤A、随机选取部分农作物叶病图像数据进行像素级标记，训练用于图像分割的卷积神经网络；步骤B、基于训练好的卷积神经网络对农作物叶病图像进行自动分割，提取图像中的有效信息；步骤C、设计动态神经网络模型，包括动态卷积模块、浅层分类器和早退机制，实现基于动态网络结构的叶病识别，包括：步骤C1、将步骤B中分割后的图像进行图像增强，并对增强的图像进行标准化；步骤C2、构建动态卷积模块进行特征提取：动态卷积模块包括注意力机制层和动态卷积核，将增强后的图像输入到注意力机制层进行特征提取，得到注意力机制判定的关键特征，然后通过SoftMax计算出叶病的关键特征所占的比例，将注意力机制层计算得到的叶病关键特征所占比例与若干个卷积核相乘并最后相加，合并为动态卷积核，通过动态卷积核对输入图像进行叶病的特征提取；步骤C3、构建浅层分类器，获取浅层分类结果和该浅层分类器的置信度；步骤C4、构建早退机制，设定每层浅层分类器的置信度阈值，根据步骤C3中的得到置信度判断该浅层分类器的分类结果是否为最终结果，若不是，则采用更深层次的动态卷积模块进行特征提取，直到浅层分类结果为最终结果；然后计算最终结果的交叉熵损失并更新网络参数；步骤C5、每个训练批次结束后，使用测试集评估植物叶部病害识别模型的准确率，将准确率最高的动态神经网络模型保存为最终模型，实现对多种类农作物叶病的识别。2.根据权利要求1所述的基于动态神经网络的多种类农作物叶病识别方法，其特征在于：所述步骤A具体包括以下步骤：步骤A1、构建用于叶病图像自动分割的卷积神经网络模型，初始化卷积神经网络模型的网络参数；步骤A2、从每类叶病的图像中随机选取部分图像，将图像的叶片有效特征部分进行像素点标记并转化为0
‑
1掩膜的有标记样本；将经过像素点标记的有标记样本记作：其中，x
b
代表随机选取出的部分图像，B代表被选取图像的数量，代表x
b
对应的0
‑
1掩膜，掩膜中标记为1的像素点代表叶片部分，标记为0的像素点代表背景部分；步骤A3、使用选取的原始图像和标记的样本训练卷积神经网络模型，采用Dice系数对有标记样本计算损失，更新网络参数。3.根据权利要求1所述的基于动态神经网络的多种类农作物叶病识别方法，其特征在于：所述步骤B中，将数据集中所有农作物病害图像输入到训练好的分割网络中进行自动的分割和有效信息提取，所述有效信息是指祛除背景后的叶病图像，具体包括：步骤B1：将所有分割后的图像随机重排得到重排序列，采用索引指代混合后的所有样本，将混合序列的所有索引记为：步骤B2：将S作为模型的输入，使数据集的所有图像更换为分割后的图像，分割后的图
像...
【专利技术属性】
技术研发人员：张江南，董军宇，高峰，王海，李文博，刘永朔，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。