一种基于改进ResNet101模型的农作物病害识别方法技术

本发明专利技术涉及计算机视觉领域、具体涉及一种基于改进Resnet101模型的农作物病害识别方法。包括以下5个步骤：S1：数据集获取以及划分。S2：图像预处理。S3:神经网络搭建。S4：对神经网络进行训练。S5：农作物病害识别。本发明专利技术通过图像增强处理，可以有效的扩充原始数据集，防止因数据集过小造成过拟合。通过SA

【技术实现步骤摘要】
一种基于改进ResNet101模型的农作物病害识别方法


[0001]本专利技术涉及计算机视觉中的识别领域，具体是涉及一种基于ResNet101模型的农作物病害识别方法；

技术介绍

[0002]我国是一个农业大国，农业生产是国民经济的基础；由于受我国疆土辽阔，气候条件复杂多变，农作物种类繁多等综合因素影响；我国农作物病害种类繁多，分布广泛，发生频繁；这严重影响了我国农作物产量的提升，制约了农业经济的发展；
[0003]而农作物发生病害的最初阶段通常在其植株叶面上通常会有相应的症状显现，因此对于叶面进行识别便可以得到农作物所患病害的种类，并根据所患病害的种类提前采取相应的措施就可能防止农作物的减产；由于农作物叶片病害识别仅仅依靠肉眼识别和人工经验难以分辨；我国大面积作物病害，一方面使用肉眼识别分类的方法或者依赖人工经验方法，这种方式存在很严重的不稳定性；另一方面由于人工识别过程中自动化程度低、效率低、准确度的评价标准受检验人员经验和状态的影响，需要充裕的时间和集中的精神力量，难以实现在大规模农业生产上；
[0004]而近年来计算机视觉相关技术在识别方面非常热门，相较于人工有着极大的优点，所以本专利技术利用深度学习方法对不同作物病害提取特征方法，搭建算法分类模型，完成农作物病害部位快速准确分类识别，实现在大规模、大区域农业生产上，提高农业自动化水平；

技术实现思路

[0005]本公开的目的旨在至少能解决上述的技术缺陷之一，特别是现有的对病害识别都是通过人工判断，耗时耗力，且处理过程繁琐，且准确度不高的技术缺陷；
[0006]为了实现以上目的，本专利技术所采用的技术方案包括以下步骤，其特征在于，包括：
[0007]S1：数据集获取以及划分：通过网络和自己拍摄获得所需要的农作物病害数据集，并将所需要使用的数据集分为训练集、验证集以及测试集；
[0008]S2：图像预处理：对训练集图像进行图像增强处理；
[0009]S3：神经网络搭建：搭建改进的ResNet101神经网络；
[0010]S4：对神经网络进行训练：将进行图像增强后的训练集图像以及验证集送入搭建好的神经网络进行训练；
[0011]S5：农作物病害识别：将训练好的神经网络用测试集进行测试并通过激活函数输出识别结果；
[0012]进一步、所述步骤S1中的步骤为在PlantVillage数据集中选取一定数量的农作物病害图像，加上自行拍摄或网络上获取的若干农作物病害图像，建立农作物病害数据集，根据7:2:1的比例划分为训练集、验证集和测试集；
[0013]进一步、所述步骤S2中的图像增强包括对图像进行左右旋转、镜像翻转、缩放、平
移、裁剪、色彩抖动、图像混合、随机光照、图像数据归一化中的一种或多种；
[0014]进一步、所述步骤S3中的所述改进Resnet网络是指在原始Resnet101神经网络中每一个残差块末尾添加SA注意力模块；
[0015]进一步、所述SA注意力模块的表述如下：
[0016]SA注意力分为三个步骤，分别为特征分组、混合注意力以及特征聚合；
[0017]进一步，所述特征聚合的表述如下：
[0018]将输入的特征图分为G组，表示为：
[0019]X＝[X1,
…
,X
G
],X
k
∈R
C/G
×
H
×
W
，其中的每个子特征X
k
会随着训练捕获一种特定的语义信息；
[0020]进一步，所述混合注意力的表述如下：
[0021]每个子特征X
k
被分为两个分支，X
k1
和X
k2
∈R
C/G
×
H
×
W
，其中X
k1
实现通道注意力获取通道间依赖，X
k2
捕获特征之间的空间依赖生成空间注意力图，这样模型同时获得了语义以及位置信息的注意力；
[0022]进一步、所述捕获通道依赖公式如下：
[0023][0024]X
′
k1
＝σ(F
c
(s))
·
X
k1
＝σ(W1s+b1)
·
X
k1
[0025]其中，σ是指Sigmoid函数，X
′
K1
是输出的特征图；
[0026]进一步、所述特征之间的空间依赖的公式如下：
[0027]X
′
k2
＝σ(W2·
GN(X
k2
)+b2)
·
X
k2
[0028]其中，X
′
K2
是指输出的特征图，GN是指Group Norm，组归一化操作；
[0029]接下来将X
′
K1
和X
′
K2
相加，此时它已经和输入的特征图大小一致了；
[0030]进一步、所述特征聚合是指使用通道混合操作进行各组特征图之间的混合，最后得到和输入X相同尺寸和维度的特征图；
[0031]进一步、所述步骤S4z中训神经网络使用了Adam优化器，交叉熵损失函数以及L2正则化技术；
[0032]进一步、L2正则化的表达式如下：
[0033][0034]其中，m为样本数据集元素数量，L为损失函数，y
′
(i)
为神经元输出实际值,y
(i)
为神经元的真值，b为偏置量，ω
j
为第j个神经元的权值，l为全连接层的数量，λ为正则化参数；
[0035]本专利技术与现有技术相比，具有的有益效果如下：
[0036]专利技术通过使用图像的增强预处理，提高了待分类样本的特征信息，从而可以有效的避免过拟合现象的发生；本专利技术通过搭建经过改进的Resnet卷积神经网络,添加了SANet注意力机制使网络更加关注某些重要信息；使用L2正则化有效的避免了过拟合现象；与此同时使用的Adam优化器具有实现简单，参数的更新不受梯度的伸缩变换影响，能自动的调整学习率的优点；
附图说明
[0037]图1本专利技术具体实施方式的一种改进ResNet101模型的农作物病害识别方法的流程图；
[0038]图2本专利技术具体实施方式的一种改进ResNet101模型的农作物病害识别方法的中的SA
‑
Net注意力示意图；
具体实施方式
[0039]为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附
[0040]如如图1所示，本专利技术技术方案包括以下步骤：
[0041]S1：数据集获取以及划分：通过网络和自己拍摄获得所需要的农作物病害数据集，并将所需要使用的数据集分为训练集、验证集以及测试集；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Resnet101模型的农作物病害识别方法，其特征在于，通过改进的Resnet101模型进行农作物病害的识别，具体步骤包括：S1：数据集收集划分：收集农作物病害数据并将其划分为训练集、验证集以及测试集；S2：图像预处理：对训练集图像在训练之前图像增强处理；S3：神经网络搭建：搭建改进的Resnet101模型;S4：对神经网络进行训练：将进行图像增强后的训练集图像以及验证集送入搭建好的神经网络进行训练；S5：农作物病害识别：将训练好的神经网络用测试集进行测试并通过激活函数输出识别结果。2.根据权利要求1所述的一种基于改进Resnet101模型的农作物病害识别方法，其特征在于，所述步骤S1中的数据集来自在PlantVillage数据集中选取一定数量的农作物病害图像，加上自行拍摄或网络上获取的若干农作物病害图像，建立农作物病害数据集，根据7:2:1的比例划分为训练集、...

【专利技术属性】
技术研发人员：卢熙，张淑媚，吕嘉迪，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：