基于改进deeplabv3+模型的番茄叶片虫害区域分割方法技术

本发明专利技术公开了一种基于改进deeplabv3+模型的番茄叶片虫害区域分割方法，包括：构建原始数据集；对原始数据集进行数据增强，构建训练数据集、验证数据集和测试数据集；对训练数据集进行尺寸转换和数据归一化处理；对改进deeplabv3+模型设定训练参数，并使用训练数据集和验证数据集进行训练和验证，保存最优模型；对测试数据集中的待识别图像进行尺寸转换和数据归一化处理后，将其输入保存好的模型，完成对番茄叶片虫害区域的精准分割。本发明专利技术为治理番茄虫害问题提供了新的方法，有效保护番茄的生长。茄的生长。茄的生长。

【技术实现步骤摘要】
基于改进deeplabv3+模型的番茄叶片虫害区域分割方法


[0001]本专利技术涉及番茄叶片虫害区域分割的
，尤其是指一种基于改进deeplabv3+模型的番茄叶片虫害区域分割方法。

技术介绍

[0002]在种植的过程中，番茄容易招惹各种害虫，例如潜叶蝇，它对于番茄的危害也是贯穿在潜叶蝇一生当中。它对于番茄危害从幼小的叶片到老叶片一直都有，其中当潜叶蝇的幼虫潜入到番茄的叶片当中的时候，它主要是啃食番茄当中的叶肉状态，最主要的表现形式就是在叶片上画图，留下形状大小各异的白色区域，最终使叶片逐渐枯黄，造成叶片内叶绿素分解，叶片中糖分降低，危害严重时被害植株叶黄脱落，甚至死苗。故应该当潜叶蝇的幼虫潜入到番茄的叶片当中的时候，就马上进行灭杀，降低潜叶蝇的幼虫对于番茄的损害，防止番茄产量下降。但种植户无法一直监视着番茄叶片的状态，特别是种植面积较大的时候。
[0003]近年来随着智慧农业的发展，计算机视觉技术与人工智能技术逐步设计农业领域，番茄种植业也可以引入相关的技术，实现害虫区域精准定位，接着与机械人、机械臂等技术相结合，实现农药的精准以及及时喷洒，让虫害的后果降到最低，保护番茄的生长的同时，降低农药的使用量以及种植工作量。
[0004]综合以上论述，专利技术一种改进deeplabv3+模型的番茄叶片虫害区域分割方法具有较高的实际应用价值。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于改进deeplabv3+模型的番茄叶片虫害区域分割方法，主要利用工业相机以及普通手机相机拍摄番茄叶片的图像以用来构建番茄虫害区域的原始数据集，并利用多种数据增强的手段，扩充原始数据集，以提高识别的准确率，并构建训练数据集、验证数据集和测试数据集，同时再对deeplabv3+模型的主干特征提取网络进行替换，转换成MobileNetV3，接着对解码器和编码器都进行针对性改进，并且加入了注意力机制，使识别方法效果更上一层，最后通过训练，保存最佳的模型以实现对番茄叶片虫害区域精准分割。
[0006]为实现上述目的，本专利技术所提供的技术方案为：基于改进deeplabv3+模型的番茄叶片虫害区域分割方法，该改进deeplabv3+模型是对原来的deeplabv3+模型进行四部分改进，第一部分是对原来的主干特征提取网络进行改进：将原来的主干特征提取网络xception替换成MobileNetV3主干特征提取网络，同时删减了后三层卷积层和减少了一次下采样，减少了信息的丢失；第二部分是对aspp模块进行改进：为了弥补原有aspp结构因为膨胀卷积而抛弃了大量信息的缺点，借鉴densenet的思想，将三个卷积操作的膨胀率分别设为3、5和7，同时增加一个与以上三个卷积操作并行的膨胀率为11的卷积操作，低膨胀率的输出会加到高膨胀率的输入中，同时弥补原有最大池化操作丢失信息，将原有最大池化
替换成soft池化，能减少池化过程中带来的信息损失，同时为了减少参数量以及运算量，将全部普通卷积替换成depth wise convolution，故将改进的aspp结构命名为ddaspp；第三部分是在ddaspp结构的输出后加一个cbam卷积注意力机制模块，增强局部信息的提取；最后一部分是在解码器阶段，增加了一次底层特征的融合，使分割效果更好；
[0007]该番茄叶片虫害区域分割方法的具体实施包括以下步骤：
[0008]1)收集樱桃番茄种植地内种植的番茄叶片图像，并用超分辨率恢复算法提高图像的质量；
[0009]2)用labelme软件分割出图像中番茄叶片虫害区域，构建原始数据集；
[0010]3)根据樱桃番茄种植地环境与樱桃番茄的生长特点，使用数据增强手段对原始数据集进行数据增强，构建训练数据集、验证数据集和测试数据集；
[0011]4)对训练数据集进行尺寸的转换后，统一进行批归一化处理，以加快后续训练过程中模型的收敛速度；
[0012]5)对改进deeplabv3+模型设定训练参数，并使用训练数据集进行训练，通过得到识别图像分割的概率值，将二元交叉熵损失和与人工标注的真实值计算损失值，最后基于模型计算的损失值进行权重更新，根据训练过程中迭代的次数进行优化器调整模型参数，更新学习率，且每当特定次数的模型训练后用验证数据集对模型的训练效果进行验证，迭代进行至验证数据集的总损失达到最小的状态，最终保存经训练和验证后的最优模型；
[0013]6)对测试数据集中待识别樱桃番茄叶片图像进行尺寸转换和归一化处理后，输入到保存的最优模型进行推理，保存的最优模型能够分割出待识别樱桃番茄叶片图像的虫害区域，完成对番茄叶片虫害区域精准分割。
[0014]进一步，在步骤3)中，数据增强手段的具体情况包括：
[0015]旋转：对图像进行顺时针90
°
、180
°
、270
°
旋转；
[0016]翻转：对图像进行水平翻转和竖直翻转；
[0017]亮度变换：随机调整图片中的亮度，模拟不同光照亮度条件下的图片；
[0018]两次dropout：因为模型中含有dropout模块，会随机隐藏一些神经元，相同的输入dropout两次的输出相似但不一致，利用这个特效达到数据增强的目的。
[0019]进一步，在步骤5)中，改进deeplabv3+模型分为编码器和解码器，其中编码器分为主干特征提取网络MobileNetV3、ddaspp结构以及cbam卷积注意力机制模块，解码器包括两个多尺度特征融合模块。
[0020]进一步，所述主干特征提取网络MobileNetV3包括四个首尾相连的部分，具体情况如下：
[0021]第一部分为两个3*3的bottleneck模块相连，其输出为M1；
[0022]第二部分为一个3*3的bottleneck模块和一个5*5的bottleneck模块，其输出为M2；
[0023]第三部分为两个5*5的bottleneck模块和一个3*3的bottleneck模块，其输出为M3；
[0024]第四部分为五个3*3的bottleneck模块和三个5*5的bottleneck模块，其输出为M4。
[0025]进一步，所述Ddaspp结构由五个部分组成：一个膨胀率为3的3*3的深度可分离卷
积，一个膨胀率为5的3*3的深度可分离卷积，一个膨胀率为7的3*3的深度可分离卷积，一个膨胀率为11的3*3的深度可分离卷积以及一个softpool模块，膨胀率为3的3*3的深度可分离卷积和softpool模块的输入为主干特征提取网络MobileNetV3第四部分的输出，膨胀率为5的3*3的深度可分离卷积的输入为膨胀率为3的3*3的深度可分离卷积的输出和主干特征提取网络MobileNetV3第四部分的输出，膨胀率为7的3*3的深度可分离卷积的输入为膨胀率为3的3*3的深度可分离卷积的输出、膨胀率为5的3*3的深度可分离卷积的输出和主干特征提取网络Mobi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进deeplabv3+模型的番茄叶片虫害区域分割方法，其特征在于，该改进deeplabv3+模型是对原来的deeplabv3+模型进行四部分改进，第一部分是对原来的主干特征提取网络进行改进：将原来的主干特征提取网络xception替换成MobileNetV3主干特征提取网络，同时删减了后三层卷积层和减少了一次下采样，减少了信息的丢失；第二部分是对aspp模块进行改进：为了弥补原有aspp结构因为膨胀卷积而抛弃了大量信息的缺点，借鉴densenet的思想，将三个卷积操作的膨胀率分别设为3、5和7，同时增加一个与以上三个卷积操作并行的膨胀率为11的卷积操作，低膨胀率的输出会加到高膨胀率的输入中，同时弥补原有最大池化操作丢失信息，将原有最大池化替换成soft池化，能减少池化过程中带来的信息损失，同时为了减少参数量以及运算量，将全部普通卷积替换成depth wise convolution，故将改进的aspp结构命名为ddaspp；第三部分是在ddaspp结构的输出后加一个cbam卷积注意力机制模块，增强局部信息的提取；最后一部分是在解码器阶段，增加了一次底层特征的融合，使分割效果更好；该番茄叶片虫害区域分割方法的具体实施包括以下步骤：1)收集樱桃番茄种植地内种植的番茄叶片图像，并用超分辨率恢复算法提高图像的质量；2)用labelme软件分割出图像中番茄叶片虫害区域，构建原始数据集；3)根据樱桃番茄种植地环境与樱桃番茄的生长特点，使用数据增强手段对原始数据集进行数据增强，构建训练数据集、验证数据集和测试数据集；4)对训练数据集进行尺寸的转换后，统一进行批归一化处理，以加快后续训练过程中模型的收敛速度；5)对改进deeplabv3+模型设定训练参数，并使用训练数据集进行训练，通过得到识别图像分割的概率值，将二元交叉熵损失和与人工标注的真实值计算损失值，最后基于模型计算的损失值进行权重更新，根据训练过程中迭代的次数进行优化器调整模型参数，更新学习率，且每当特定次数的模型训练后用验证数据集对模型的训练效果进行验证，迭代进行至验证数据集的总损失达到最小的状态，最终保存经训练和验证后的最优模型；6)对测试数据集中待识别樱桃番茄叶片图像进行尺寸转换和归一化处理后，输入到保存的最优模型进行推理，保存的最优模型能够分割出待识别樱桃番茄叶片图像的虫害区域，完成对番茄叶片虫害区域精准分割。2.根据权利要求1所述的基于改进deeplabv3+模型的番茄叶片虫害区域分割方法，其特征在于，在步骤3)中，数据增强手段的具体情况包括：旋转：对图像进行顺时针90
°
、180
°
、270
°
旋转；翻转：对图像进行水平翻转和竖直翻转；亮度变换：随机调整图片中的亮度，模拟不同光照亮度条件下的图片；两次dropout：因为模型中含有dropout模块，会随机隐藏一些神经元，相同的输入dropout两次的输出相似但不一致，利用这个特效达到数据增强的目的。3.根据权利要求2所述的基于改进deeplabv3+模型的番茄叶片虫害区域分割方法，其特征在于，在步骤5)中，改进deeplabv3+模型分为编码器和解码器，其中编码器分为主干特征提取网络MobileNetV3、ddaspp结构以及cbam卷积注意力机制模块，解码器包括两个多尺度特征融合模块。
4.根据权利要求3所述的基于改进deeplabv3+模型的番茄叶片虫害区域分割方法，其特征在于，所述主干特征提取网络MobileNetV3包括四个首...

【专利技术属性】
技术研发人员：杜启亮，冯良枫，田联房，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：