一种基于卷积网络的葡萄病斑检测方法技术

本发明专利技术涉及一种基于卷积网络的葡萄病斑检测方法，该方法首先获取待检测的葡萄叶片病害数据集和相应的标注掩码图片；然后将数据集随机划分为训练集和测试集两部分；然后构建卷积神经网络，该卷积神经网络包括编码器和解码器，所述编码器包括特征提取器和自注意力模块，所述特征提取器包括两个卷积层和Mish激活函数；所述解码器由上采样和一个特征提取器组成；再将训练集数据输入到上述卷积神经网络中进行训练，并通过Dice损失函数计算网络中输出的Mask图片与对应标注掩码图片Mi中的每个子像素点的差值；同时将计算出来的差值通过反向传播对每一个卷积核进行更新；最后，测试准确率，该方法快捷、高效且相比于现有方法具有更好的泛化性。好的泛化性。好的泛化性。

【技术实现步骤摘要】
一种基于卷积网络的葡萄病斑检测方法


[0001]本专利技术涉及一种基于卷积神经网络的葡萄病斑检测方法，属于图像处理领域。

技术介绍

[0002]在葡萄种植过程中，容易受到天气，环境，微生物，病毒和细菌等影响而产生各种病害，如白粉病、霜霉病、炭疽病、灰霉病、褐斑病和黑腐病等，这些病症多发生在植株叶片部位，严重时会影响植株的光合作用，造成作物产量和品质下降，给果农造成重大经济损失。因此，对葡萄植株叶部病害种类进行快速准确的判定，及时对病害进行防治是提升作物的产量和质量的基础。
[0003]目前最常见的农作物病害检测方法，是根据种植经验来判断农作物是否发生了病害，分辨出病害种类以及病害的程度，并根据自己的判断来对其采取相应的防治措施。在农作物种植面积较广的情况下，通过人为方式来识别病害是不切实际的，且这种识别方式覆盖面较小，其准确性难以得到保障。

技术实现思路

[0004]本专利技术为了解决现有技术中存在的问题，提供一种快捷、高效及具有更好的泛化性的基于卷积网络的葡萄病斑检测方法。
[0005]为了达到上述目的，本专利技术提出的技术方案为：一种基于卷积网络的葡萄病斑检测方法，其特征在于，包括如下步骤：
[0006]1)获取待检测的葡萄叶片病害数据集Ri和相应的标注掩码图片Mi；
[0007]2)将数据集Ri随机划分为Ti训练集和Vi测试集两部分；
[0008]3)构建卷积神经网络，该卷积神经网络包括编码器和解码器，所述编码器包括特征提取器和自注意力模块，所述特征提取器包括两个卷积层和Mish激活函数；所述解码器由上采样和一个特征提取器组成；
[0009]4)将训练集数据输入到上述卷积神经网络中进行训练，并通过Dice损失函数计算网络中输出的Mask图片与对应标注掩码图片Mi中的每个子像素点的差值；同时将计算出来的差值通过反向传播对每一个卷积核进行更新；
[0010]5)将测试集数据输入到训练好的卷积神经网络中，得到测试集准确率。
[0011]对上述技术方案的进一步设计为：所述Ri图片大小为H*W*3，H与W分别为图片的长宽，3为图片通道；Mi图片大小为H*W*1。
[0012]所述训练集和测试集分别占数据集Ri总数的90％和10％。
[0013]所述特征提取器中两个卷积层的卷积核大小为3*3，步长为1，Padding为1。
[0014]所述自注意力网络包括六层：
[0015]第一层为特征输入层F1；第二层为最大池化层和平均池化层；第三层为卷积层；第四层为基于H和W的最大池化和平均池化层；第五层为两层的全连接层，激活函数为Rule；第六层为输出层。
[0016]所述步骤4)中，将Mi的图片通过归一化压缩，得到的图片为A，取输出层的每个通道数的平均值将其压缩为H*W*1大小，其输出为B，则Dice损失函数可以表达为道数的平均值将其压缩为H*W*1大小，其输出为B，则Dice损失函数可以表达为
[0017]所述步骤5)中，测试集的平均像素准确率MAP达到0.9时即完成训练。
[0018]本专利技术与现有技术相比具有以下优点：
[0019]由于本专利技术采用卷积神经网络，对各种病斑特征具有极强的提取能力，相对于传统的特征提取方法更加快捷、高效及更好的泛化性。
[0020]由于在各个卷积组中加入自注意力机制，在特征提取中能够赋予各个特征图不同的权重，使得特征的提取更有针对性，提高特征提取的准确性。自注意力机制仅仅增加少量参数量能够获得较大的提升，在实际训练中，仅增加不到5％的训练时间却能获得10％左右的精度提升。
[0021]本专利技术的神经网络相较于U
‑
Net网络输出大小只有原尺寸的一般，本专利技术网络通过在卷积层中增加padding及去掉最后一层的Polling，使得输出尺寸与输入尺寸一致，能够获得更多细节。
[0022]相较于常规的交叉熵损失函数，本专利技术的神经网络中使用的Dice损失函数能够更好的识别到较小的病斑，提高检出率。
附图说明
[0023]图1为本专利技术实施例的自注意力网络结构。
[0024]图2为本专利技术的整体框图。
具体实施方式
[0025]下面结合附图以及具体实施例对本专利技术进行详细说明。
[0026]实施例
[0027]本实施例在Windows10版本下进行，采用Anaconda进行运行环境的搭建，深度学习框架采用Pytorch1.6，同时为方便图像处理，同时安装matplotlib、opencv，CoCoAPI等。
[0028]本实施例的基于卷积神经网络的葡萄病虫害检测方法，包括如下步骤：
[0029]步骤一、采集样本图片，确定学习样本并分类保存；
[0030]本实施例训练采用的数据集为PlantVillage数据集中的葡萄病虫害样本，同时在Kaggle上收集更多的葡萄病虫害样本组成数据集。其包括白粉病、霜霉病、炭疽病、灰霉病、褐斑病和黑腐病等。使用Labelme对病害图片进行多边形标记并导出训练所需的Mask。设总样本为Ri和对应的掩码图片(Mask)Mi。其中Ri图片大小H*W*3，H与W分别为图片的长宽，3为图片通道。Mi图片大小为H*W*1。Ri与Mi中每个通道的值均在0～255之间，其中Mi中每个像素点的值使用1～6表示该像素点所代表的病害种类，0代表背景。
[0031]步骤二、划分数据集
[0032]经过分类标记整理到的葡萄病虫害样本图片总计4000张，共六类。首先将图片数据集按照9：1的比例随机划分训练集Ti和测试集Vi，对应的Mask图片为M_Ti和M_Vi，将其归档为两个文件夹Train和Val。再在这两个文件夹中按照病害名称生成新的文件夹并放入相
应图片。
[0033]步骤三、构建卷积神经网络，利用卷积神经网络自主学习Ti中的图片集，通过不断的学习得到最好的效果。该卷积神经网络结构包含两部分，编码器和解码器。其中编码器包含两种模块，特征提取器和自注意力网络；特征提取器CONV如图1所示：包含两个卷积层和Mish激活函数，卷积层的卷积核大小为3*3，步长为1，Padding为1；Mish激活函数为Mish＝x
×
tanh(ln(1+e
x
))，下采样采用一个大小为2x2，步长为2的最大池化层。
[0034]自注意力网络CS如图2所示，其包括六层：
[0035]第一层为特征输入层F1，假设其大小为H*W*C。
[0036]第二层为最大池化层和平均池化层，经过基于通道的最大池化和平均池化，同时通过通道拼接，得到大小为H*W*2的特征图F2。
[0037]第三层为卷积层。特征图F2经过一个7*7的空洞卷积操作，降维为一个H*W*1的特征图并通过sigmoid函数进行激活，得到的特征图并与F1进行相乘得特征图F3，其大小为H*W*C。
[0038]第四层为基于H和W的最大池化和平均池化层，对特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积网络的葡萄病斑检测方法，其特征在于，包括如下步骤：1)获取待检测的葡萄叶片病害数据集Ri和相应的标注掩码图片Mi；2)将数据集Ri随机划分为Ti训练集和Vi测试集两部分；3)构建卷积神经网络，该卷积神经网络包括编码器和解码器，所述编码器包括特征提取器和自注意力模块，所述特征提取器包括两个卷积层和Mish激活函数；所述解码器由上采样和一个特征提取器组成；4)将训练集数据输入到上述卷积神经网络中进行训练，并通过Dice损失函数计算网络中输出的Mask图片与对应标注掩码图片Mi中的每个子像素点的差值；同时将计算出来的差值通过反向传播对每一个卷积核进行更新；5)将测试集数据输入到训练好的卷积神经网络中，得到测试集准确率。2.根据权利要求1所述基于卷积网络的葡萄病斑检测方法，其特征在于，所述Ri图片大小为H*W*3，H与W分别为图片的长宽，3为图片通道；Mi图片大小为H*W*1。3.根据权利要求2所述基于卷积网络的葡萄病斑检测方法...

【专利技术属性】
技术研发人员：朱节中，黄凤星，余晓栋，杨再强，
申请(专利权)人：无锡学院，
类型：发明
国别省市：