【技术实现步骤摘要】
本专利技术涉及葡萄病害叶片图像分类预测，具体为一种利用gc-capsnet的葡萄病害叶片图像分类预测方法。
技术介绍
1、葡萄在我国的水果交易市场占有很大的份额。具有丰富的营养价值，味道甜美，深受人们的喜爱，已经成为日常食用的水果之一。但是在葡萄种植过程中，易受到细菌、环境等影响而产生病害，其中葡萄叶片病害居多。因此，利用计算机视觉技术实现葡萄叶片病害识别，为用户提供及时准确的信息与防治措施，对提高葡萄产量和品质有着重要的意义。
2、参考近年来基于深度学习方法对葡萄病害叶片图像分类的文献。例如，申请号为cn202211397472.6的中国专利公开了基于改进xception算法的葡萄叶片病害识别方法。该方法主要通过预训练模型对xception网络进行改进，其中通过更换原网络中的激活函数，加快模型的训练速度和在模型中加入通道注意力机制提高模型识别的准确度。但是该方法并没有对葡萄叶片病害特征进行分析，只是通过在原xception网络中单一的加入通道注意力机制来提高模型的分类性能。这种技术手段只能使模型得到很小的提升效果，其中还存在很大程度的预测误差，无法做到对葡萄叶片病害的准确分类。为了提升对葡萄叶片病害的分类准确性，在文献(“基于多尺度残差神经网络的葡萄叶片病害识别”，《计算机工程》，何欣等，2021-05-07)中公开了一种葡萄叶片病害识别的方法，通过对葡萄病害叶片图像进行数据增强与叶片区域标注后，使用mask r-cnn提取葡萄叶片部位，通过引入多尺度卷积以改变resnet底层对不同尺度特征的响应，利用加入的sen
3、为了保证在预测葡萄叶片病害类型的过程中降低时间消耗，并提升对葡萄叶片病害类型预测的准确度，提出一种利用gc-capsnet的葡萄病害叶片图像分类预测方法。
技术实现思路
1、一种利用gc-capsnet的葡萄病害叶片图像分类预测方法，用于解决了上述技术问题。本专利技术通过一种对葡萄病害叶片图像分割的g-enet分割模型实现了葡萄病害叶片图像的自动分割和相关特征的提取，提升了后续对葡萄叶片病害类型预测的准确性。此外，通过引入一种多尺度环路连通卷积方法以改进卷积层中的特征学习过程，保留了不同尺度图像学习到的特征信息，这样可以最大限度地减少分类过程中的错误，提高了gc-capsnet的精确度。最后，引入反向回归模块作为一种特征选择方法，减少了向深层网络传播的参数量，降低整个模型的时间复杂度，并且该模块通过选取重要特征，丢弃对预测结果没有意义的特征。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种利用gc-capsnet的葡萄病害叶片图像分类预测方法，包括。
4、从公开数据集中获取真实背景下带有病害症状的葡萄叶片图像，构建葡萄叶片图像集；
5、其中，所述公开数据集包括plantvill数据集和ai challenger数据集。
6、进一步地，对所述葡萄叶片图像集进行数据增强处理，以达到扩充样本和增强图像的作用；所述数据增强处理的过程包括：
7、选择所述葡萄叶片图像集中低清晰度的葡萄叶片图像；
8、输入所述低清晰度的葡萄叶片图像到生成对抗模型中；
9、输出高清晰度的葡萄叶片图像；
10、得到扩充数据集。
11、其中，所述训练集用于gc-capsnet的训练；所述测试集用于对训练后的gc-capsnet进行性能测试。所述gc-capsnet的英文全称为grape convolutional capsulenetwork，即葡萄卷积胶囊网络；
12、标注所述训练集中葡萄叶片的前景区域和背景区域，并对标注好的图像转为g-enet可识别文件；
13、进一步地、采用g-enet分割模型对所述扩充数据集中的葡萄叶片图像的背景与前景进行分割，得到病害叶片图像；
14、其中，g-enet的英文全称为grape efficient network，即葡萄高效网络。enet通过为图像中的每个像素分配特定的标签，对图像实现语义分割。高效网络的结构分为编码模块和解码模块，通过隐藏层的下采样作实现像素级的分类、上采样操作实现在图像中目标的定位。enet利用较小的特征图，减少网络参数，提高网络的运行速度。除此之外，通过扩张卷积的方式，可以平衡小尺度特征图的分辨率和图像的感受野。
15、所述病害叶片图像的分割过程具体包括：
16、输入所述训练集中的葡萄叶片图像至所述编码模块，经1x1的卷积核后，得到通道数为32的第一编码卷积特征图；
17、所述第一编码卷积特征图通过步长为1的填充和激活函数后，经2x2的最大池化操作后，得到第一池化特征图；
18、所述第一池化特征图经两个3x3的卷积层后，得到通道数为64的第二编码卷积特征图；
19、所述第二编码卷积特征图经2x2的最大池化操作后，得到第二池化特征图；
20、所述第二池化特征图将两个3x3的卷积层后，得到通道数为128的第三编码卷积特征图；
21、所述第三编码卷积特征图经2x2的最大池化操作后，得到第三池化特征图；
22、所述第三池化特征图经两个3x3的卷积层后，得到通道数为256的第四编码卷积特征图；
23、输入所述第四编码卷积特征图至所述解码模块，经2x2的反卷积核后，与所述第三编码卷积特征图进行拼接，得到通道数为256的第一解码卷积特征图；
24、所述第一解码卷积特征图经两个3x3的卷积层后，得到通道数为128的第二解码卷积特征图；
25、所述第二解码卷积特征图经2x2的反卷积核后，与所述第二编码卷积特征图进行拼接，得到通道数为128的第三解码卷积特征图；
26、所述第三解码卷积特征图经两个3x3的卷积层后，得到通道数为64的第四解码卷积特征图；
27、所述第四解码卷积特征图经2x2的反卷积核后，与所述第一编码卷积特征图进行拼接，得到通道数为64的第五解码卷积特征图；
28、所述第五解码卷积特征图经两个3x3的卷积层后，得到通道数为32的第六解码卷积特征图；
29、所述第六解码卷积特征图经1x1的卷积核后，输出病害叶片图像，得到病害叶片图像集。
30、进一步地，将所述病害叶片图像集划分为训练集和测试集；
31、进一步地，标注所述训练集中的图像病害类型标签；
32、其中，葡萄叶片的所述病害类型包括炭疽病、霜霉病、白粉病、褐斑病、黑痘病、毛毡病、黑腐病和黄叶病。
33、进一步的，将所述病害叶片图像缩放三个不同尺寸的图像，分别为第一病害叶片图像，第二病害叶片图像和第三病害叶片图像；
34、其中，所述第一病害叶片图像尺寸为128x1本文档来自技高网...
【技术保护点】
1.一种利用GC-CapsNet的葡萄病害叶片图像分类预测方法，其特征在于，包括：
2.根据权利要求1所述的一种利用GC-CapsNet的葡萄病害叶片图像分类预测方法，其特征在于，采用所述G-ENet分割模型对葡萄叶片图像的背景与前景进行分割，得到所述病害叶片图像之前还包括：
3.根据权利要求2所述的一种利用GC-CapsNet的葡萄病害叶片图像分类预测方法，其特征在于，所述数据增强处理包括：
4.根据权利要求2所述的一种利用GC-CapsNet的葡萄病害叶片图像分类预测方法，其特征在于，所述G-ENet分割模型由编码模块和解码模块组成，具体过程包括：
5.根据权利要求1所述的一种利用GC-CapsNet的葡萄病害叶片图像分类预测方法，其特征在于，所述病害类型包括炭疽病、霜霉病、白粉病、褐斑病、黑痘病、毛毡病、黑腐病和黄叶病。
6.根据权利要求1所述的一种利用GC-CapsNet的葡萄病害叶片图像分类预测方法，其特征在于，所述第一病害叶片图像尺寸为128x128、所述第二病害叶片图像尺寸为96x96和所述第三病害叶片图像
7.根据权利要求1所述的一种利用GC-CapsNet的葡萄病害叶片图像分类预测方法，其特征在于，所述GC-CapsNet包括引入多尺度环路连通卷积和反向回归模块对原Capsual网络进行改进。
8.根据权利要求7所述的一种利用GC-CapsNet的葡萄病害叶片图像分类预测方法，其特征在于，所述多尺度环路连通卷积采用三个卷积模块以环路连接方式将不同尺度的葡萄叶片特征向网络深层传播；其中，所述葡萄叶片特征包括：局部细节特征、纹理特征和形状特征。
9.根据权利要求7所述的一种利用GC-CapsNet的葡萄病害叶片图像分类预测方法，其特征在于，所述反向回归用于不同尺度的叶片图像经三个所述卷积模块后的重要特征选择，通过获取特征重要参数进行下一步处理；其中，所述反向回归的过程包括：
10.根据权利要求1所述的一种利用GC-CapsNet的葡萄病害叶片图像分类预测方法，其特征在于，所述GC-CapsNet通过计算训练集的的预测结果与真值之间误差值，经多次优化得到；其中，所述误差值采用以下损失函数计算，公式为：
...【技术特征摘要】
1.一种利用gc-capsnet的葡萄病害叶片图像分类预测方法，其特征在于，包括：
2.根据权利要求1所述的一种利用gc-capsnet的葡萄病害叶片图像分类预测方法，其特征在于，采用所述g-enet分割模型对葡萄叶片图像的背景与前景进行分割，得到所述病害叶片图像之前还包括：
3.根据权利要求2所述的一种利用gc-capsnet的葡萄病害叶片图像分类预测方法，其特征在于，所述数据增强处理包括：
4.根据权利要求2所述的一种利用gc-capsnet的葡萄病害叶片图像分类预测方法，其特征在于，所述g-enet分割模型由编码模块和解码模块组成，具体过程包括：
5.根据权利要求1所述的一种利用gc-capsnet的葡萄病害叶片图像分类预测方法，其特征在于，所述病害类型包括炭疽病、霜霉病、白粉病、褐斑病、黑痘病、毛毡病、黑腐病和黄叶病。
6.根据权利要求1所述的一种利用gc-capsnet的葡萄病害叶片图像分类预测方法，其特征在于，所述第一病害叶片图像尺寸为128x128、所述第二病害叶片图像尺寸为96x96和所述第三病害...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。