一种基于Wave-SubNet轻量级模型的番茄叶斑病识别方法技术

本发明专利技术公开了一种基于Wave

【技术实现步骤摘要】
一种基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别方法


[0001]本专利技术涉及计算机视觉图像处理和农作物病虫害识别
，具体涉及一种基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别方法。

技术介绍

[0002]中国的农产业飞速发展，产业模式和产业链也越发完整，从而人们对农作物的产量与质量的要求也在不断提高。而近年来，随着当代人们对健康问题越加重视和对健康理念的完善，大众对番茄的市场需求也越来越大。但农作物病虫害又是影响番茄产量的重要因素之一。而植物病虫害是在植物从种子发育到幼苗再到幼苗生长的整个生长过程中，影响植物正常生长，甚至导致植物死亡的一种自然灾害。叶斑病就是番茄的主要病害之一，对于常见的番茄的根部、茎部和果实都有可能发生不同程度和不同类型的病害。所以早期对于农作物的疾病识别就变得尤为重要。
[0003]病虫害检测是机器视觉领域非常重要的研究内容。是一种利用机器视觉设备获取图像，判断采集到的植物图像中是否存在病虫害的技术。但真实环境下拍摄的农作物病虫害图像背景复杂，病害区域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别方法，其特征在于，包括以下步骤：(1)对预先获取的番茄叶斑病数据图片进行病斑图片分类并制作成数据集；(2)对步骤(1)得到的数据集进行图像预处理，并将得到的样本数据划分为训练集、验证集和测试集；(3)构建基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别网络，包括初步特征提取模块，第一个特征提取主干模块和第二个特征提取主干模块；所述第一个特征提取主干模块由两个Sub模块组成，第二个特征提取主干模块由四个Wave模块组成；在Sub模块和Wave模块结尾加入改进的注意力机制，并且对Sub和Wave模块进行堆叠；(4)训练步骤(3)中搭建好的基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别网络，先将经过步骤(2)经过图像预处理后的训练集通过模型训练输入到搭建好的模型中进行特征提取，通过不断迭代前向和反向传播过程，再通过动量梯度下降算法更新模型参数去优化网络的参数，最后将训练好的结果通过SoftMax分类器输出；(5)对基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别网络进行多次迭代训练，并调整模型的训练参数，直到获得最好的模型权重；(6)将步骤(5)中得到最好的训练模型权重作为预训练模型对测试集中数据图片进行验证，并评估模型的性能。2.根据权利要求1所述的一种基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别方法，其特征在于，步骤(1)所述番茄叶斑病数据的样本图像根据检测病斑的大小和病斑周围叶片颜色去确定番茄叶片感染的病害，按照番茄叶斑病的病害程度划分为十种，包括番茄正常叶片、番茄斑点病、番茄花叶病、番茄黄叶卷曲病、番茄白粉病、番茄早疫病、番茄晚疫病、番茄斑枯病、番茄叶霉病、番茄红蜘蛛损伤病。3.根据权利要求1所述的一种基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别方法，其特征在于，步骤(2)所述图像预处理是对全部叶片图像进行数据增强，包括随机旋转45度，随机翻转，随机裁剪三种方式进行数据增强，扩充数据集；并按照8：1：1的比例分为训练集、验证集和测试集。4.根据权利要求1所述的一种基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别方法，其特征在于，步骤(3)所述初步特征提取模块由一个7
×
7卷积核、一个1
×
1卷积核和一个3
×
3卷积核组成。5.根据权利要求1所述的一种基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别方法，其特征在于，步骤(3)所述Sub模块由两个3
×
3卷积核、一个Improved
‑
CBAM注意力机制和一个1
×
1卷积核组成。6.根据权利要求1所述的一种基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别方法，其特征在于，步骤(3)所述Wave模块中，Wave
‑
block1和Wave
‑
block2由两个5
×
5深度卷积核、一个3
×
3卷积核和两个1
×
1卷积核组成，Wave
‑
block3和Wave
‑
block4由两个7
×
7深度卷积核、一个3
×
3卷积核和一个1
×
1卷积核组成。7.根据权利要求1所述的一种基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别方法，其特征在于，步骤(3)所述的在Sub模块中和Wave模块结尾加入改进的注意力机制Improve
‑
CBAM；Improve
‑
CBAM注意力机制分为空间注意力和通道注意力两部分，先将尺寸为H
×
W
×
C
的特征图分别经过全局最大池化和全局平均池化两种不同池化方式的运算，从而获得两个1
×1×
C的通道特征，紧接着将两个通道特征送入一个由1
×
1普通卷积、3
×
3深度卷积和1
×
1普通卷积构成的特征提取块，使用的激活函数为ReLU；最后将输出的两个特征的元素进行乘积加和操作后，通过Sigmoid激活函数可以获得需要的通道注意力图。8.根据权利要求1所述的一种基于Wave
‑
SubNet轻量级模型的番茄叶斑病识别方法，其特征在于，步骤(3)具体操作流程为:(31)在训练样本图像输入模型的预处理阶段，把输入的RGB的3通道番茄叶片图像先经过步骤(2)图像预处理,把输出的特征向量标记为S0；(32)将S0输入初步特征提取模块，将S0作为多卷积网络的输入进行kernel_size＝7的卷积操作，再经过Relu激活函数和kernel_size＝3的MaxPool2d得到特征向量S11；将S11进行kernel_size＝1...

【专利技术属性】
技术研发人员：高尚兵，张浩淼，张海艳，余骥远，李洁，蒋东山，王腾，赵可钒，缪奕可，唐琪，曹鹏，杨瑞杰，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：