一种基于人工智能的植物叶片病害分类方法技术

本发明专利技术公开了一种基于人工智能的植物叶片病害分类方法，涉及深度学习技术领域；使用四种数据增强方法处理数据集；将数据集划分为训练集，验证集和测试集；提出了通道扩展残差结构ER

【技术实现步骤摘要】
一种基于人工智能的植物叶片病害分类方法


[0001]本专利技术属于生物农业领域，涉及深度学习技术，具体是一种基于人工智能的植物叶片病害分类方法。

技术介绍

[0002]植物叶片是进行光合作用的主要场所，植物叶片病害降低了光合作用效率，严重影响叶片的光合作用效能和植物对有机物的合成和能量的获得，成为制约农作物高产，优质的主要障碍。同时不同程度的病害降低营养蛋白的合成和产量的减少，影响作物的经济效益。
[0003]传统的植物叶片病害识别，主要依赖于历代研究人员在植物生产过程中积累的经验来进行判断，对植物生产者有着较高的专业知识要求。在判别植物叶片病害时往往是通过眼睛进行观察，带有更多的主观性，产生较多的错误，从而阻碍了植物的及时治疗。同时，传统的方法需要消耗大量的人力和物力。因此，当今的农业生产需要一套新的体系将生产者从低效和复杂的植物叶片病害识别过程中解放出来。由于人工智能的飞速发展，图像处理和深度学习技术越来越成熟。利用深度学习技术来智能化的识别植物叶片病害，从而解决传统方法存在的弊端，提高植物产量，具有重要的意义。
[0004]由于深度学习技术在植物叶片病害识别方面具有较好的表现能力，为此，提出一种基于人工智能的植物叶片病害分类方法。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于人工智能的植物叶片病害分类方法，该一种基于人工智能的植物叶片病害分类方法解决了在判别植物叶片病害时往往是通过眼睛进行观察，带有更多的主观性，产生较多的错误，从而阻碍了植物的及时治疗；同时，传统的方法需要消耗大量的人力和物力的问题。
[0006]为实现上述目的，根据本专利技术的第一方面的实施例提出一种基于人工智能的植物叶片病害分类方法，包括以下步骤：
[0007]步骤一：从数据集获取有标签的源域图像，对数据集进行增强处理，增加样本数量；
[0008]步骤二：将数据集按照设定的比例划分为训练集、验证集以及测试集；
[0009]步骤三：构建ERCP
‑
Net网络模型，其中，所述ERCP
‑
Net网络模型包括卷积层和池化层、三个ER
‑
Block+PC
‑
Block模块以及输出层；
[0010]步骤四：训练ERCP
‑
Net网络模型；
[0011]步骤五：使用训练好的ERCP
‑
Net网络模型对植物叶片病害进行分类。
[0012]优选的，对数据集进行增强处理的方法包括：随机水平翻转、随机垂直翻转、图像角度在0～35度之间随机旋转以及添加高斯噪声。
[0013]优选的，将数据集按照6:2:2的比例划分为训练集、验证集以及测试集。
[0014]优选的，所述ERCP
‑
Net网络模型，包括以下步骤：
[0015]S1：接收输入图片；其中，输入图像的尺寸为416
×
416；
[0016]S2：对所述输入图片进行双重降维操作；其中，第一次降维使用核尺寸为7，步长为2的卷积；第二次降维使用最大池化；
[0017]S3：连续使用三个ER
‑
Block+PC
‑
Block模块，将三个ER
‑
Block+PC
‑
Block模块的输出结果进行多角度特征图融合；
[0018]S4：将最终的特征信息反馈给输出层。
[0019]优选的，所述ER
‑
Block模块包括图像特征信息提取层和残差边；
[0020]图像特征信息提取层将池化得到的特征输入到卷积层；
[0021]残差边将上层的梯度信息完整的与第一部分的输出信息相结合；
[0022]图像特征信息提取层由三个不同大小的池化窗口组成；其中，池化窗口尺寸分别为3、5以及9，池化步长均设置为1；
[0023]残差边由一个核尺寸为1的卷积构成。
[0024]优选的，所述卷积层由三个卷积组成；
[0025]三个卷积的核尺寸分别为1、3以及1。
[0026]优选的，所述PC
‑
Block模块将得到的输入数据分别经过来最大池化和平均池化后，再经一维卷积层，并将结果与源输入以残差网络形式融合，最终再以残差网络形式加入通道注意力模块。
[0027]优选的，所述通道注意力模块用于获取一维卷积的内核大小；
[0028]所述通道注意力模块包括一种逆高斯概率密度函数的自适应尺寸分布函数；
[0029]逆高斯概率密度函数：
[0030][0031]其中，μ是均值，σ是方差；x表示一维卷积的内核大小，x大于等于1，且x为整数；y表示特征图的通道数量。
[0032]优选的，所述ERCP
‑
Net网络模型的输出层，包括以下步骤：
[0033]S1：将第三个ER
‑
Block+PC
‑
Block模块得到的特征图信息进行上采样和卷积操作，并且与第二个ER
‑
Block+PC
‑
Block模块得到的特征图信息进行合并；
[0034]S2：将合并之后的特征信息进行下采样和卷积操作，并再次和第三个ER
‑
Block+PC
‑
Block模块的特征信息进行合并；
[0035]S3：将最终的特征信息反馈给输出层。
[0036]优选的，步骤四中还包括：
[0037]根据源域图像标签之间的交叉熵损失函数，通过梯度下降反向传播更新ERCP
‑
Net分类模型，并且当验证集的准确率经历三个epoch并且不在升高时，降低学习率；
[0038]学习率的计算公式为：
[0039]LR＝0.3
×
lr
[0040]其中，lr表示前一个epoch的学习率，LR表示当前epoch的学习率。
[0041]与现有技术相比，本专利技术的有益效果是：
[0042]本专利技术通过基于深度学习和注意力机制搭建了一个新的植物叶片病害分类网络；
基于多尺度池化和残差边，提出了ER
‑
Block结构，应用于图像特征信息提取；ER
‑
Block结构在不增加网络参数的情况下实现通道数量的三倍扩展，同时可以扩大感受野和多尺度提取特征信息；基于注意力机制，提出了自适应通道注意力机制结构PC
‑
Block；设计了一个逆高斯概率密度函数的自适应尺寸分布函数；PC
‑
Block可以接收不同尺度的特征图和不同通道数量的特征图；提出了一种特征融合的结果预测结构提高结果的鲁棒性；基于所提出的方法，搭建了植物叶片病害分类网络ERCP
‑
Net，该网络将浅层的图像信息转为更加抽象的特征信息，既可以降低冗余信息的干本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的植物叶片病害分类方法，其特征在于，包括以下步骤：步骤一：从数据集获取有标签的源域图像，对数据集进行增强处理，增加样本数量；步骤二：将数据集按照设定的比例划分为训练集、验证集以及测试集；步骤三：构建ERCP
‑
Net网络模型，其中，所述ERCP
‑
Net网络模型包括卷积层和池化层、三个ER
‑
Block+PC
‑
Block模块以及输出层；步骤四：训练ERCP
‑
Net网络模型，利用反向传播算法迭代更新网络参数；步骤五：使用训练好的ERCP
‑
Net网络模型对植物叶片病害进行分类。2.根据权利要求1所述的一种基于人工智能的植物叶片病害分类方法，其特征在于，对数据集进行增强处理的方法包括：随机水平翻转、随机垂直翻转、图像角度在0～35度之间随机旋转以及添加高斯噪声。3.根据权利要求1所述的一种基于人工智能的植物叶片病害分类方法，其特征在于，将数据集按照6:2:2的比例划分为训练集、验证集以及测试集。4.根据权利要求1所述的一种基于人工智能的植物叶片病害分类方法，其特征在于，所述ERCP
‑
Net网络模型，包括以下步骤：S1：接收输入图片；其中，输入图像的尺寸为416
×
416；S2：对所述输入图片进行双重降维操作；其中，第一次降维使用核尺寸为7，步长为2的卷积；第二次降维使用最大池化；S3：连续使用三个ER
‑
Block+PC
‑
Block模块，将三个ER
‑
Block+PC
‑
Block模块的输出结果进行多角度特征图融合；S4：将最终的特征信息反馈给输出层。5.根据权利要求4所述的一种基于人工智能的植物叶片病害分类方法，其特征在于，所述ER
‑
Block模块包括图像特征信息提取层和残差边；图像特征信息提取层将池化得到的特征输入到卷积层；残差边将上层的梯度信息完整的与第一部分的输出信息相结合；图像特征信息提取层由三个不同大小的池...

【专利技术属性】
技术研发人员：傅谢生，卢雅婷，葛晓阳，产思贤，
申请(专利权)人：潜山市黄泥镇农业技术推广站，
类型：发明
国别省市：