【技术实现步骤摘要】
本专利技术属于深度学习和图像处理领域，具体的说是一种基于卷积神经网络的小麦赤霉病识别与害病斑分割方法。
技术介绍
1、小麦作为全球人类口粮的第一大作物，仅次于水稻。但目前小麦生产仍然面临着多种极端气候条件及其带来的各种病害、虫害、低温、高温、干旱和自然资源不足特别是水资源短缺的威胁。在小麦病害中，我国小麦常发性的病害包括3种锈病(条锈病、叶锈病、秆锈病)、白粉病、赤霉病(fusarium head blight，fhb)、纹枯病、全蚀病、黑穗病、叶枯病、线虫病以及病毒病等多种。近几年，受气候变化和小麦耕作制度及农业生产技术变化的影响，小麦赤霉病的发生具有愈来愈严重的趋势。为了有效防治赤霉病，必须对小麦赤霉病程度进行实时有效的监测。
2、目前，由于信息技术发展以及小麦田间信息复杂的限制，主要利用人工田间调查统计的方法对小麦赤霉病程度进行预测和评估，这样做劳动力成本较高，花费时间长，且不能及时、有效地对小麦赤霉病程度进行预测和评估。
技术实现思路
1、本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于卷积神经网络的小麦赤霉病识别与害病斑分割方法，以期能提升小麦病斑程度识别和分割的准确率，从而能够实现农业生产智能化和自动化发展，减少人力物力，并能提高生产效率。
2、本专利技术为达到上述专利技术目的，采用如下技术方案：
3、本专利技术一种基于卷积神经网络的小麦赤霉病识别与害病斑分割方法的特点在于，包括如下步骤：
4、步骤1、获取健康
5、将小麦图像数据集x对应的病斑程度标签集记为y＝{y1,y2,...,yi,...,yn}，其中，yi表示第i张小麦图像xi的病斑程度标签，且yi∈[0,m]，m为病斑程度的级数；当yi＝0时，表示xi为健康小麦麦穗图像；
6、将小麦图像数据集x对应的病斑分割标签集记为z＝{z1,z2,...,zi,...,zn}，其中，zi表示第i张小麦图像xi的病斑分割标签；
7、步骤2、构建小麦病斑程度识别网络，并用于对第i张小麦图像xi进行处理，以提取小麦病斑程度特征图fdi，并得到第i张小麦图像xi的预测标签y'i；
8、步骤3、构建由多类别交叉熵损失函数lce和dice损失函数ld组成的总损失函数l；
9、将小麦图像数据集x输入病斑程度识别网络中，并利用梯度下降法对病斑程度识别网络进行训练，同时计算损失函数l，当l收敛时停止训练，从而得到最优小麦病斑程度识别网络，用于对小麦病害图像的病害程度进行识别；
10、步骤4、构建小麦病斑分割网络并对小麦病斑程度特征图fdi进行处理，得到第i张小麦图像xi的病斑分割特征图ti；
11、步骤5、利用式(6)构建循环焦点损失函数lcfl：
12、
13、式(6)中，ρ是一个动态调整的权重系数；
14、利用梯度下降法对小麦病斑分割网络进行训练，并计算损失函数lcfl，直至lcfl收敛时停止训练，从而得到最优小麦病斑分割网络，用于对小麦病斑图像进行分割。
15、本专利技术所述的基于卷积神经网络的小麦赤霉病识别与害病斑分割方法的特点也在于，所述小麦病斑程度识别网络包括：特征提取子网络模块、特征降采样子网络模块、特征融合和分类子网络模块；
16、步骤2.1、所述特征提取子网络模块利用卷积层以滑动窗口方式对第i张小麦图像xi进行特征提取，得到k个映射特征其中，表示第k个映射特征；
17、将第k个映射特征依次输入n个不同尺寸的空间池化块中进行处理，得到每个空间池化块输出的局部细节特征，并将n个局部细节特征拼接后，得到第k个标准化后的映射特征fi,k；
18、步骤2.2、所述特征降采样子网络模块由s级条状池化层组成，并依次对fi,k进行降采样后，得到每级条状池化层输出的特征向量，并将s个特征向量拼接后，得到第k个降采样后的特征向量fvdi,k；
19、步骤2.3、所述特征融合和分类子网络模块，包括：全连接层和softmax分类模块：
20、将k个降采样后的特征向量{fvdi,k|k＝1,2,…,k}输入全连接层中进行处理，并得到融合后的小麦病斑程度特征图fdi；
21、将fdi输入softmax分类模块中进行降维处理，得到病斑程度的预测概率矩阵fi，并从fi中选择最大概率所对应的病斑程度作为第i张小麦图像xi的预测标签y'i。
22、所述步骤3中的总损失函数l是按如下步骤得到：
23、步骤3.1、利用式(1)构建多类别交叉熵损失函数lce：
24、
25、步骤3.2、利用式(2)构建dice损失函数ld：
26、
27、步骤3.3、利用式(3)构建总损失函数l：
28、l＝α×lce+β×ld (3)
29、式(3)中，α和β分别为多类别交叉熵损失函数lce和dice损失函数ld的权重系数。
30、所述小麦病斑分割网络包括：编码器模块、解码器模块和密集式跳跃式连接模块；
31、步骤4.1、所述编码器模块包括p个卷积收缩块cdb1,cdb2,...,cdbp,...,cdbp以及q个下采样块db1,db2,...,dbq,...,dbq，其中，cdbp表示第p个卷积收缩块，dbq表示第q个下采样块；
32、当p＝1，q＝1时，对fdi进行图像尺寸和通道的调整后，得到调整后的特征图并输入第p个卷积收缩块cdbp中，从而利用全局平均池化对的绝对值进行降维处理，得到的一维特征向量再输入到第q个下采样模块dbq中进行尺寸缩小，使得输出尺寸为输入尺寸的一半，从而得到第q个低层特征图
33、当p＝2,3,...,p，q＝2,3,...,q时，将第p-1个低层特征图输入第p个卷积收缩块cdbp中进行处理，得到的一维特征向量再输入到第q个下采样模块dbq中进行尺寸缩小处理，得到第q个低层特征图从而得到第q个下采样模块dbq输出的第q个低层特征图
34、利用式(4)对第q个低层特征图进行软阈值化处理，获得第q个加强低层特征图
35、
36、式(4)中：σ表示所设定的阈值；
37、步骤4.2、所述编码器模块包括p个卷积收缩块cdb'p+1,cdb'p+2,...,cdb'p+p,...,cdb'2p以及q个上采样块ub1,ub2,...,ubq,...,ubq，其中，cdb'p+p表示第p+p个卷积收缩块；ubq表示第q个上采样块；
38、当p＝1，q＝1时，将输入第p+p个卷积收缩块cdb'p+p中进行处理，得到的一维特征向量再输本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的小麦赤霉病识别与害病斑分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于卷积神经网络的小麦赤霉病识别与害病斑分割方法，其特征在于，所述小麦病斑程度识别网络包括：特征提取子网络模块、特征降采样子网络模块、特征融合和分类子网络模块；
3.根据权利要求1所述的基于卷积神经网络的小麦赤霉病识别与害病斑分割方法，其特征在于，所述步骤3中的总损失函数L是按如下步骤得到：
4.根据权利要求1所述的基于卷积神经网络的小麦赤霉病识别与害病斑分割方法，其特征在于，所述小麦病斑分割网络包括：编码器模块、解码器模块和密集式跳跃式连接模块；
5.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-4中任一所述小麦赤霉病识别与害病斑分割方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
6.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-4中任一所述小麦赤霉病识别与害病斑分割方法的步骤。
...【技术特征摘要】
1.一种基于卷积神经网络的小麦赤霉病识别与害病斑分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于卷积神经网络的小麦赤霉病识别与害病斑分割方法，其特征在于，所述小麦病斑程度识别网络包括：特征提取子网络模块、特征降采样子网络模块、特征融合和分类子网络模块；
3.根据权利要求1所述的基于卷积神经网络的小麦赤霉病识别与害病斑分割方法，其特征在于，所述步骤3中的总损失函数l是按如下步骤得到：
4.根据权利要求1所述的基于卷积神经网络的小麦赤霉病识别与...
【专利技术属性】
技术研发人员：许高建，杨婧，楊梦道，林政培，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：
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。