基于改进神经网络的草莓病虫害识别方法及存储介质技术

本发明专利技术公开了基于改进神经网络的草莓病虫害识别方法及存储介质，方法包括：获取并预处理草莓病虫害图像，构建数据集；以ResNet50为主干网络，在主干网络中的每一个残差块的末尾添加顺次连接的CBAM模块和SENet模块，构建改进神经网络；利用数据集完成网络的训练，得到识别模型；通过识别模型对待识别草莓图像进行病虫害区域的识别和分类。本发明专利技术将CBAM模块与SENet模块相结合并引入ResNet50网络中，利用CBAM注意力模块提取较全面的特征，传输至SENet模块再提取病虫害细节特征信息，实现对草莓病虫害重点特征的提取，提高病虫害识别模型的识别精准率、泛化能力和鲁棒性，本发明专利技术具有高可用性。有高可用性。有高可用性。

【技术实现步骤摘要】
基于改进神经网络的草莓病虫害识别方法及存储介质


[0001]本专利技术涉及病虫害识别
，特别涉及基于改进神经网络的草莓病虫害识别方法及存储介质。

技术介绍

[0002]草莓在种植过程中非常容易感染病虫害，且会快速蔓延，给果农造成较大的经济损失。在传统的种植过程中，通常通过果农的经验判断来完成病虫害的防治。随着深度学习技术的发展，国内外学者开始利用深度学习技术来实现草莓病虫害的自动识别。此方法核心思路是通过分析农作物的叶片图像，利用机器学习、深度学习等手段，实现对病虫害种类的准确识别。
[0003]然而，草莓种植环境往往非常复杂，种植环境是多变的。现有的草莓病虫害识别模型大多是基于实验室场景或针对某一种植园区环境的病虫害识别，模型对其他场景的迁移识别难度较高、准确率较低，其难以适应不同的场景，特别是较复杂实地种植场景。同时，在复杂种植环境下，草莓病虫害图像的采集难度大，且所采集的图像存在干扰大、病虫害特征区域小等问题。这导致现有的草莓病虫害识别模型无法从图像中提取到更多的有效特征，使得模型对草莓的病虫害区域的识别效果较差，其对病虫害区域的分类精度难以达到实际使用需求，模型的性能有待进一步地提高。

技术实现思路

[0004]本专利技术的目的是提供基于改进神经网络的草莓病虫害识别方法及存储介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0005]本专利技术解决其技术问题的解决方案是：第一方面，本申请提供基于改进神经网络的草莓病虫害识别方法，包括如下步骤：获取若干草莓病虫害图像并对若干所述草莓病虫害图像进行预处理，构建草莓病虫害数据集；以ResNet50为主干网络，在原始的ResNet50中的每一个残差块的末尾添加顺次连接的CBAM模块和SENet模块，构建改进神经网络；利用所述草莓病虫害数据集对所述改进神经网络进行训练，生成草莓病虫害识别模型；采集待识别草莓图像，所述待识别草莓图像包含至少一种病虫害区域，利用所述草莓病虫害识别模型对所述待识别草莓图像进行所述病虫害区域的识别和分类，得到所述病虫害区域的分类结果；其中，所述改进神经网络包括顺次连接的卷积输入层、四个改进残差层和分类层，第n个所述改进残差层中依次设置有多个顺次连接的Bottleneck残差块、第nCBAM模块和第nSENet模块，；其中：所述卷积输入层用于调整所述待识别草莓图像的尺寸并对其通道数进行降采样
操作，生成待处理特征图；第n个改进残差层用于通过CBAM注意力机制对第n
‑
1个特征图进行特征提取，生成第n注意力特征图，并对所述第n注意力特征图进行挤压、激活和加权的操作，输出第n特征图；其中，当n=1时，第n
‑
1个特征图为待处理特征图；当n=4时，第n个特征图为待分类特征图；所述分类层用于根据所述待分类特征图，计算得到所述病虫害区域所属类别的最大概率，并根据所述最大概率输出所述病虫害区域的分类结果。
[0006]第二方面，本申请提供了一种存储介质，其中存储有处理器可执行的指令，处理器可执行的指令在由处理器执行时用于执行基于改进神经网络的草莓病虫害识别方法。
[0007]本专利技术的有益效果是：提供基于改进神经网络的草莓病虫害识别方法及存储介质，将CBAM混合注意力模块与SENet模块相结合后引入ResNet50网络中，构建改进神经网络SE
‑
CBAM
‑
ResNet50，并利用改进神经网络实现草莓的病虫害区域的识别和分类。本专利技术利用CBAM模块提取较全面的特征，通过SENet模块对CBAM模块提取的特征进行病虫害细节特征信息的再提取，进而实现对草莓病虫害的重点特征的提取；并且，在不影响模型运算速率的情况下，本专利技术能够有效地缩减模型参数，同时增强网络的特征提取和选择能力，显著地提高了草莓病虫害图像模型的识别精准率、泛化能力和鲁棒性；本专利技术适用于多种复杂种植场景下的不同植物种类的虫害识别，具有良好的应用前景和高可用性。
[0008]本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0009]图1为本申请提供的基于改进神经网络的草莓病虫害识别方法的流程图；图2为本申请提供的残差网络ResNet50的结构示意图；图3为本申请提供的改进神经网络SE
‑
CBAM
‑
ResNet50的结构示意图；图4为本申请提供的改进神经网络的第二层至第五层架构的结构示意图；图5为本申请提供的改进神经网络中的第nSE
‑
CBAM模块的结构示意图；图6A为本申请提供的类别为健康、白粉虱、病毒病、冻害的草莓病虫害图像示例图；图6B为本申请提供的类别为革腐病、根腐病、黄萎病、灰霉病的草莓病虫害图像示例图；图6C为本申请提供的类别为缺素症、斜纹夜蛾、叶斑病、着色不良、叶枯病的草莓病虫害图像示例图；图7为本申请提供的SE
‑
CBAM
‑
ResNet50、SE
‑
CBAM
‑
VGG19和SE
‑
CBAM
‑
AlexNet的模型准确率曲线比较图；图8为本申请提供的SE
‑
CBAM
‑
ResNet50、SE
‑
CBAM
‑
VGG19和SE
‑
CBAM
‑
AlexNet的模型macro
‑
F1值曲线比较图；图9为本申请提供的SE
‑
CBAM
‑
ResNet50、SE
‑
CBAM
‑
VGG19和SE
‑
CBAM
‑
AlexNet的模型损失函数比较图；
图10为本申请提供的ResNet50网络、CBAM
‑
ResNet50网络和SE
‑
CBAM
‑
ResNet50的最后一个卷积层的注意力特征热力图。
具体实施方式
[0010]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0011]下面结合说明书附图和具体的实施例对本申请进行进一步的说明。所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0012]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0013]除非另有定义，本文所使用的所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进神经网络的草莓病虫害识别方法，其特征在于，包括如下步骤：获取若干草莓病虫害图像并对若干所述草莓病虫害图像进行预处理，构建草莓病虫害数据集；以ResNet50为主干网络，在原始的ResNet50中的每一个残差块的末尾添加顺次连接的CBAM模块和SENet模块，构建改进神经网络；利用所述草莓病虫害数据集对所述改进神经网络进行训练，生成草莓病虫害识别模型；采集待识别草莓图像，所述待识别草莓图像包含至少一种病虫害区域，利用所述草莓病虫害识别模型对所述待识别草莓图像进行所述病虫害区域的识别和分类，得到所述病虫害区域的分类结果；其中，所述改进神经网络包括顺次连接的卷积输入层、四个改进残差层和分类层，第n个所述改进残差层中依次设置有多个顺次连接的Bottleneck残差块、第nCBAM模块和第nSENet模块，；其中：所述卷积输入层用于调整所述待识别草莓图像的尺寸并对其通道数进行降采样操作，生成待处理特征图；第n个改进残差层用于通过CBAM注意力机制对第n
‑
1个特征图进行特征提取，生成第n注意力特征图，并对所述第n注意力特征图进行挤压、激活和加权的操作，输出第n特征图；其中，当n=1时，第n
‑
1个特征图为待处理特征图；当n=4时，第n个特征图为待分类特征图；所述分类层用于根据所述待分类特征图，计算得到所述病虫害区域所属类别的最大概率，并根据所述最大概率输出所述病虫害区域的分类结果。2.根据权利要求1所述的基于改进神经网络的草莓病虫害识别方法，其特征在于，所述对若干所述草莓病虫害图像进行预处理，构建草莓病虫害数据集包括：对所述草莓病虫害图像进行数据清洗；对所述草莓病虫害图像中的病虫害区域进行病虫害的类别标注处理，得到与所述病虫害区域对应的种类标记；其中，所述病虫害的类别包括健康、白粉虱、病毒病、冻害、革腐病、根腐病、黄萎病、灰霉病、缺素症、斜纹夜蛾、叶斑病、着色不良和叶枯病中的至少一种；利用数据增强方式对所述草莓病虫害图像进行数据扩增；其中，所述数据增强方式包括添加高斯噪声、错切、随机平移缩放、随机改变图像亮度、水平翻转、色相调整、移动模糊、随机裁剪和垂直翻转中的一种或多种；标准化处理所述草莓病虫害图像，以使全部所述草莓病虫害图像的分辨率均保持一致。3.根据权利要求1所述的基于改进神经网络的草莓病虫害识别方法，其特征在于，所述卷积输入层包括顺次连接的第一卷积层、批处理层、ReLU层和第一池化层，所述待识别草莓图像被归一化处理后输入至所述第一卷积层中，其中：所述第一卷积层用于对归一化处理后的所述待识别草莓图像进行卷积计算，生成初始特征图，所述第一卷积层的卷积核为77；所述批处理层用于对所述初始特征图进行批处理；所述ReLU层用于通过ReLU激活函数对批处理后的初始特征图进行激活操作；所述第一池化层用于基于最大池化方式对进行激活操作后的所述初始特征图进行下
采样，生成所述待处理特征图。4.根据权利要求1所述的基于改进神经网络的草莓病虫害识别方法，其特征在于，所述分类层包括顺次连接的第二池化层、第一全连接层和Softamax层，其中：所述第二池化层用于基于平均池化方式对所述待分类特征图进行下采样；所述第一全连接层用于将下采样后的所述待分类特征图展平为一维向量，并将所述一维向量转换为所述病虫害区域对应的种类个数及其标签值；所述Softmax层用于根据所述病虫害区域对应的种类个数及其标签值，通过Softmax激活函数计算得到所述病虫害区域所属类别的最大概率，并根据所述最大概率输出所述待识别草莓图像中的病虫害区域的分类结果；其中，所述最大概率的取值在[0,1]范围内。5.根据权利要求1所述的基于改进神经网络的草莓病虫害识别方法，其特征在于，第一个所述改进残差层至第四个所述改进残差层的具体结构分别为：第一个所述改进残差层依次设置有三个顺次连接的Bottleneck残差块、第一CBAM模块和第一SENet模块，其中：所述第一CBAM模块用于对所述待处理特征图的通道和空间信息进行特征提取，生成第一注意力特征图；所述第一SENet模块用于对所述第一注意力特征图进行挤压、激活和加权的操作，生成第一特征图并输出至第二个所述改进残差层；第二个所述改进残差层依次设置有四个顺次连接的Bottleneck残差块、第二CBAM模块和第二SENet模块，其中：所述第二CBAM模块用于对所述第一特征图的通道和空间信息进行特...

【专利技术属性】
技术研发人员：黄钢忠，许庆贤，姜春涛，洪澄杰，杨志鹄，齐勇，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：