一种基于多尺度膨胀卷积网络的橡胶叶部病害识别方法技术

本发明专利技术公开了一种基于多尺度膨胀卷积网络的橡胶叶部病害识别方法，包括：构造DISE

【技术实现步骤摘要】
一种基于多尺度膨胀卷积网络的橡胶叶部病害识别方法


[0001]本专利技术属于叶片病害识别
，具体涉及一种基于多尺度膨胀卷积网络的橡胶叶部病害识别方法。

技术介绍

[0002]橡胶树是热带地区最重要的经济作物之一，全国橡胶树种植面积超过116万公顷，其中一半以上种植在海南省。从树中提取的乳白色乳胶是天然橡胶的主要来源，与石油、钢铁、煤炭并称的四大工业原料之一。然而，橡胶树每年因各种叶部病害导致的损失约占天然橡胶总产量的25％，严重阻碍天然橡胶工业的发展。因此，橡胶树叶部病害(包括白粉病、炭疽病、黑袍叶斑病、异常落叶病)的诊断和识别对提高天然橡胶产量具有重要意义。但在实际应用中，往往是通过人工识别诊断，费时费力，识别精度不能满足要求。
[0003]针对人工诊断所存在的问题，研究人员提出了一些基于机器学习的植物病害识别方法，主要是通过人工设计分类特征，如颜色特征、形状特征、纹理特征或者两种或两种以上人工特征的融合。然而，这些人工设计的特性是基于人类经验选择的，限制了模型的泛化性，模型的准确性仍不能满足复杂环境下的识别要求。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度膨胀卷积网络的橡胶叶部病害识别方法，其特征在于，包括：构造DISE
‑
Net模型，所述DISE
‑
Net模型包括依次连接的预处理网络模块、级联密集DISE模块和后处理模块，其中，所述预处理网络模块用于对输入图像进行浅层特征提取，所述级联密集DISE模块用于对所述浅层特征进行特征重用和特征融合，所述后处理模块用于对融合后的特征进行整合，输出最终的橡胶树叶部病害识别分类结果；获取训练数据集并利用所述训练数据集对所述DISE
‑
Net模型进行训练，获得训练后的DISE
‑
Net模型；将待识别的橡胶叶部图片输入至所述训练后的DISE
‑
Net模型，获得橡胶叶部的病害识别结果。2.根据权利要求1所述的基于多尺度膨胀卷积网络的橡胶叶部病害识别方法，其特征在于，所述预处理网络模块包括依次连接的第一预处理卷积层、第一预处理最大池化层、第一归一化层、第一ReLu激活函数、第二预处理卷积层、第二预处理最大池化层、第二归一化层和第二ReLu激活函数。3.根据权利要求1所述的基于多尺度膨胀卷积网络的橡胶叶部病害识别方法，其特征在于，所述级联密集DISE模块包括三个依次连接的DISE子模块：第一DISE子模块、第二DISE子模块和第三DISE子模块，其中，对所述第一DISE子模块的输入特征图y0、输出特征图y1进行连接并输出第一密集连接输出特征图F1＝y1+y1，同时F1作为所述第二DISE子模块的输入特征图，则输出第二密集连接输出特征图F2＝y1+F1+y2；将F2作为所述第三DISE子模块的输入特征图，获得第三密集连接输出特征图F3＝y1+F2+y2+y3。4.根据权利要求3所述的基于多尺度膨胀卷积网络的橡胶叶部病害识别方法，其特征在于，每个DISE子模块包括多尺度Dilated
‑
inception模块和SE网络模块，其中，所述多尺度Dilated
‑
inception模块具有不同的感受野，用于对输入的原始橡胶叶部图片进行不同尺度的特征提取；所述SE网络模块用于学习不同通道、尺度特征间的相关性，动态选择特征权重系数信息，以关注有用信息抑制冗余信息。5.根据权利要求4所述的基于多尺度膨胀卷积网络的橡胶叶部病害识别方法，其特征在于，所述多尺度Dilated
‑
inception模块包括第一卷积层、第二卷积层、第三卷积层、第一膨胀卷积层、第二膨胀卷积层、第三膨胀卷积层、最大池化层、逐元加法单元和滤波融合单元，其中，所述多尺度Dilated
‑
inception模块的输入数据分别输入所述最大池化层、所述第一...

【专利技术属性】
技术研发人员：付威，曾体伟，张慧明，王娟，李承明，
申请(专利权)人：海南大学三亚研究院，
类型：发明
国别省市：