一种基于改进CNN的玉米叶片病害图像分类方法技术

本发明专利技术公开了一种基于改进CNN的玉米叶片病害图像分类方法，属于深度学习领域，为了解决目前已有的分类模型分类精度不高的问题，本发明专利技术提供了一种玉米叶片病害图像分类方法。首先对图像数据进行数据增强和图像标准化处理，在发明专利技术的F

【技术实现步骤摘要】
一种基于改进CNN的玉米叶片病害图像分类方法


[0001]本专利技术属于深度学习领域，特别涉及了一种基于改进CNN的玉米叶片病害图片分类方法。

技术介绍

[0002]农业是人类衣食之源、生存之本，是一切生产的首要条件。但我国每年都因为病害造成粮食产量损失，因此要重视农作物病害的防治。农作物的病害多种多样，但都主要发病于叶部、枝干、果实及根部。在染病初期，由于粮食尚未成型，所以早期病害大多表现在叶片。叶片的病害具有传染性强、传播速度快的特点，直接影响到粮食的整体产量。
[0003]在大面积的农作物中，只采用人力监测叶片的病害情况是不现实的，而且管理人员对农作物病害防治的知识了解的较少，一般都是通过肉眼观察，依靠经验进行判断。这会由于主观意愿过强而产生较大的误判性，这对于农作物的管理是及其不利的。近些年来人工智能技术的发展十分迅速，基于深度学习的图像识别技术为农作物的管理提供了新思路，深度学习技术模式的应用对于农田管理的自动化、智能化有着重要的指导作用，可以极大的减少工作人员的劳动强度、解决传统的人工信息获取的滞后性问题，并减少因为人的主观意识对农作物信息判断的影响。但是目前的网络仍存在特征提取不完整，导致分类出现偏差，造成分类结果准确率低等问题。因此，快速准确的农作物病害图像，对病害进行正确的分类至关重要。

技术实现思路

[0004]本专利技术目的在于针对目前存在的分类模型中对玉米叶片病害图像特征提取不完整，分类准确率低等问题，设计一种基于改进CNN的玉米叶片病害图像分类方法以解决上述
技术介绍
中的问题。
[0005]本专利技术所述是一种玉米叶片病害图像分类方法，该方法通过如下方案进行实现：
[0006]步骤1：获取玉米叶片病害图像：按照6:2:2的比例将获取的数据集划分为训练集、验证集和测试集，在玉米叶片病害图像分类中，划分数据集是分类的首要步骤。
[0007]步骤2：对划分好的训练集和测试集进行预处理：进行数据增强和图像标准化的处理，采用旋转(90
°
/180
°
/270
°
)、翻转(水平/垂直)和平移(
±
10)像素的方法进行数据增强。图像标准化是将数据通过去均值方法实现中心化的处理，根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，更容易取得训练之后的泛化效果；
[0008]步骤3：以ResNet50网络模型为基线网络：当网络层次逐渐加深，会出现网络退化问题，而ResNet50中的残差单元就解决了网络退化的问题；
[0009]步骤4：在网络模型中结合注意力机制模块(Convolutional Block Attention Module,CBAM)：包括空间注意力机制和通道注意力机制，让系统不产生额外负担的情况下，可以自行选择输入图像在空间和通道上的重要信息进行处理；
[0010]步骤5：选择ImageNet上预训练的ResNet50网络架构进行迁移学习，并将ResNet50
网络stage2、stage3、stage4的输出信息作为特征融合结构的输入层，将特征更完整的提取出来，达到更好的识别效果；
[0011]进一步的，使用交叉熵作为损失函数，交叉熵损失函数经常用于分类问题中，由于涉及到每个类别的概率，本实施方式中，交叉熵损失函数与softmax函数一起出现；
[0012]进一步的，更改网络的输出维度，使其适用于玉米叶片病害图像分类任务，原始基线网络的输出维度为100，为了处理凸显玉米叶片病害图像的四分类任务，本实施方式将网络的输出维度设置为4；
[0013]进一步的，通过消融实验，获取网络的最优模型；
[0014]进一步的，使用预处理后的数据集对搭建的网络模型进行训练、验证及测试，以识别出玉米叶片病害图像。
[0015]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0016]1)本专利技术采用的玉米叶片病害图像分类方法，与传统玉米叶片病害图像分类方法相比较，传统的分类模型均采用浅层网络，更多提取到的特征是线性的边缘特征，本专利技术采用的网络，有较强的局部特征提取能力，可进一步得出更好的分类结果；2)本专利技术提出的方法结合了注意力机制模块，包括通道注意力机制和空间注意力机制，让系统在不对计算资源产生额外负担的情况下，可以自行选择输入图像在空间和通道上的重要信息进行处理；3)本专利技术提出的方法可以有效避免直接使用ResNet50进行训练小样本玉米叶片病害数据集导致过拟合，使不同层的特征进行相互补充，浅特征和深特征进行有效融合实现玉米叶片病害准确分类。
附图说明
[0017]图1为基于改进CNN的玉米叶片病害图像分类方法流程图；
[0018]图2为基线网络中的残差模块；
[0019]图3为注意力机制模块框架；
[0020]图4为通道注意力模块框架；
[0021]图5为空间注意力模块框架；
[0022]图6为专利技术的F
‑
Resnet网络图；
具体实施方式
[0023]为使本专利技术的目的、技术方案和优点更加清晰，下面通过附图中的具体实例来描述本专利技术。但是应该理解，这些描述只是示例性的，并非要限制本专利技术的范围。本说明书附图所示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的专业人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。
[0024]在此，还需要说明的是，为了避免因不必要的细节而模糊了本专利技术，在附图中仅仅示出与本专利技术的方案密切相关的结构和处理步骤，而省略与本专利技术关系不大的其他细节。
[0025]如图1所示，本专利技术具体实施方案包括以下步骤：
[0026]步骤1：获取玉米叶片病害图像，按照6:2:2的比例将获取的数据集划分为训练集、验证集和测试集，在玉米叶片病害图像分类中，划分训练集和测试集是分类的首要步骤。本专利的数据集为Kaggle平台上下载的开源玉米叶片病害图像数据集，为Plantvillage Dataset数据集，包含3582张玉米叶片病害图像，均为256
×
256像素、3通道RGB、通道位深度24、JPG图像格式，类别包括玉米叶片尾孢子虫灰叶斑病(Corn Gray leaf spot)513张、玉米叶片玉米普通锈病(Corn Common rust)1192张、健康玉米叶片(Corn healthy)1162张以及玉米叶枯病(Corn Northern Leaf Blight)985张。
[0027]步骤2：图像预处理：将玉米叶片病害图像统一尺寸为224
×
224，图像预处理后的图像作为输入，可以使模型分类的准确率更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进CNN的玉米叶片病害图像分类方法，其特征在于，所述图像分类方法具体包括以下步骤：步骤1：获取玉米叶片病害图像，按照6:2:2的比例将获取的数据集划分为训练集、验证集和测试集，为网络模型训练、验证和测试做准备；步骤2：对划分好的数据集进行预处理，每个图像数据在作为模型的输入之前都要经过数据增强和图像标准化的处理；步骤3：以ResNet50网络模型为基线网络，当网络层次逐渐加深，会出现网络退化问题，而ResNet50中的残差单元就解决了网络退化的问题；步骤4：在网络模型中结合注意力机制模块(Convolutional Block Attention Module，CBAM)，包括空间注意力机制和通道注意力机制；步骤5：引入迁移学习，并将Resnet50网络改进使其浅特征和深特征进行有效融合，将病害特征更完整的提取出来；步骤6：使用交叉熵作为损失函数，交叉熵损失函数经常用于分类问题中，由于涉及到每个类别的概率，本实施方式中，交叉熵损失函数与softmax函数一起出现；步骤7：更改网络的输出维度，使其适用于玉米叶片病害图像分类任务；步骤8：通过消融实验，获取网络的最优模型；步骤9：使用预处理后的数据集对搭建的网络模型进行训练及测试，以识别出玉米叶片病害图像。2.根据权利要求1所述的基于改进CNN的玉米叶片病害图像分类方法，其特征在于，所述的步骤2中，将玉米叶片病害图像统一尺寸为224
×
224，数据增强...

【专利技术属性】
技术研发人员：徐军，付杨，王孟，付琳，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：