一種基于卷積神經網絡的蕎麥病害識別方法技術

本發明專利技術涉及植物技病害識別術領域，具體涉及一種基于卷積神經網絡的蕎麥病害識別方法，包括：構建蕎麥病害識別模型，并訓練所述蕎麥病害識別模型；基于梯度下降算法和粒子群算法的結合優化所述蕎麥病害識別模型的模型參數；獲取待識別蕎麥的蕎麥葉圖像；將所述蕎麥葉圖像輸入經過優化的所述蕎麥病害識別模型中，識別并輸出對應的蕎麥病害類型作為蕎麥病害識別結果。本發明專利技術中的蕎麥病害識別方法能夠兼顧識別模型訓練效果和訓練效率，從而能夠有效提升蕎麥病害識別的準確性，并降低蕎麥病害識別的時間成本。的時間成本。的時間成本。

【技術實現步驟摘要】
一種基于卷積神經網絡的蕎麥病害識別方法


[0001]本專利技術涉及植物病害識別
，具體涉及一種基于卷積神經網絡的蕎麥病害識別方法。

技術介紹

[0002]蕎麥(Fagopyrum spp.)是一種營養豐富的重要雜糧，其含有蛋白質、纖維素、糖類和抗氧化物質蘆丁等對人體健康非常有益的成分，且種植適應性強，耐寒冷、貧瘠，是具有開發潛力的優質作物資源。然而，病害導致蕎麥的產量與品質受到極大影響，使得其營養價值、飼用品質等低下。蕎麥的病害類型包括：蕎麥斑枯病、蕎麥菌核病、蕎麥立枯病、蕎麥輪紋病、蕎麥霜霉病、蕎麥褐斑病、蕎麥病毒病、蕎麥白霉病等。因此，準確及時對蕎麥病害情況作出辨別，是預防和控制的重要手段。
[0003]現有的蕎麥物病害識別手段主要是人工甄別，這種識別方式對專業知識要求高，且效率較低，往往容易錯過最佳的控制時期。為此，公開號為CN111967424A的中國專利公開了《一種基于卷積神經網絡的蕎麥病害識別方法》，其首先，采用基于MSER和CNN結合的方法對蕎麥病害區域進行檢測，從圖像中分離出病害區域與非病害區域；然后，把病害區域圖像送入基于inception結構改進以及采用基于余弦相似度卷積方式的卷積神經網絡中進行訓練和識別。
[0004]上述現有方案中的蕎麥病害識別方法通過MSER(區域特征提取)提取蕎麥病害區域的特征圖像；然后通過CNN(卷積神經網絡)基于蕎麥特征圖像完成病害識別。其中，在卷積神經網絡結構中，為了訓練出一個很好的識別模型，需要對卷積神經網絡中的參數需要優化以使得損失函數的值最小，現有方案采用的參數優化方式是梯度下降算法(Gradient descent algorithm,GDA)。然而，申請人發現梯度下降算法很難充分開發利用GPU、CPU向量化的能力，并且當函數有多個坡度的時，梯度下降算法難以保證全局最小值，很容易陷入局部最優，當參數很多的時候，訓練的時間會成倍增長，導致識別模型的訓練效果和訓練效率均偏低，進而導致蕎麥病害識別的準確性低且時間成本高。因此，如何設計一種用于蕎麥病害識別且能夠兼顧識別模型訓練效果和訓練效率的蕎麥病害識別方法是亟需解決的技術問題。

技術實現思路

[0005]針對上述現有技術的不足，本專利技術所要解決的技術問題是：如何提供一種用于蕎麥病害識別且能夠兼顧識別模型訓練效果和訓練效率的蕎麥病害識別方法，從而能夠有效提升蕎麥病害識別的準確性，并降低蕎麥病害識別的時間成本。
[0006]為了解決上述技術問題，本專利技術采用了如下的技術方案：
[0007]一種基于卷積神經網絡的蕎麥病害識別方法，包括以下步驟：
[0008]S1：構建蕎麥病害識別模型，并訓練所述蕎麥病害識別模型；
[0009]S2：基于梯度下降算法和粒子群算法的結合優化所述蕎麥病害識別模型的模型參
數；
[0010]S3：獲取待識別蕎麥的蕎麥葉圖像；
[0011]S4：將所述蕎麥葉圖像輸入經過優化的所述蕎麥病害識別模型中，識別并輸出對應的蕎麥病害類型作為蕎麥病害識別結果。
[0012]優選的，步驟S1中，基于vgg16網絡構建所述蕎麥病害識別模型；
[0013]具體通過如下步驟構建所述蕎麥病害識別模型：
[0014]S101：對vgg16網絡的卷積層進行分塊，得到多個卷積塊；
[0015]S102：去除vgg16網絡的密集連接分類器層，得到對應的Conv_base網絡；
[0016]S103：在Conv_base網絡的頂部添加Dense層進行網絡擴展；
[0017]S104：將Conv_base網絡的最后一個卷積塊與Dense層聯合，得到對應的蕎麥病害識別模型。
[0018]優選的，步驟S101中，將vgg16網絡的卷積層分成5個卷積塊；
[0019]步驟S104中，凍結Conv_base網絡的前4個卷積塊，并將前4個卷積塊的set_trainable屬性設置為Flase；
[0020]步驟S104中，將Conv_base網絡的最后一個卷積塊的set_trainable屬性設置為True。
[0021]優選的，通過如下步驟訓練所述蕎麥病害識別模型：
[0022]S111：通過預訓練數據集訓練Conv_base網絡的各個卷積塊；
[0023]S112：對Conv_base網絡的各個卷積塊進行凍結；
[0024]S113：解凍Conv_base網絡的最后一個卷積塊，并通過蕎麥病害數據集訓練Conv_base網絡的最后一個卷積塊；
[0025]S114：將Conv_base網絡各個卷積塊的輸出特征進行融合得到對應的高層特征，將高層特征輸入Dense層進行分類。
[0026]優選的，步驟S114中，通過如下公式對Conv_base網絡各個卷積塊的輸出特征進行融合：
[0027]F
oracle
＝[α
×
F
block4
,β
×
F
block5
]；式中：F
oracle
表示高層特征；F
block4
表示前4個卷積塊的輸出特征；F
block5
表示最后一個卷積塊的輸出特征；α、β表示權重參數，分別為0.6和0.4。
[0028]優選的，步驟S113中，通過學習率為0.0001的RMSProp優化器訓練最后一個卷積塊。
[0029]優選的，所述預訓練數據為蕎麥類同類作物的病害訓練數據。
[0030]優選的，所述預訓練數據包括玉米、大豆、水稻中的任意一個或多個的病害訓練數據。
[0031]優選的，Conv_base網絡的分類器類別數與蕎麥病害的類別數相對應。
[0032]優選的，步驟S2中，通過如下步驟優化蕎麥病害識別模型的模型參數：
[0033]設有M個粒子，每個粒子有N維向量，第j個粒子的位置可以表示為w
i
＝(w
i,1
,w
i,2
,...,w
i,N
)
T
，速度表示為v
i
＝(v
i,1
,v
i,2
,...,v
i,N
)
T
；
[0034]S201：初始化M個粒子的位置和速度；
[0035]S202：計算各個粒子的適應度，并根據適應度更新w
*j,d
、w
*d
、g
j,d
；
[0036]S203：通過以下公式更新每個粒子的位置和速度：
[0037][0038]v
j,d(k+1)
＝εv
j,d(k)
+r1η1(w
*j,d
?
w
j,d(k)
)+r2η2(w
*d
?
w
j,d(k)...

【技術保護點】

【技術特征摘要】
1.一種基于卷積神經網絡的蕎麥病害識別方法，其特征在于，包括以下步驟：S1：構建蕎麥病害識別模型，并訓練所述蕎麥病害識別模型；S2：基于梯度下降算法和粒子群算法的結合優化所述蕎麥病害識別模型的模型參數；S3：獲取待識別蕎麥的蕎麥葉圖像；S4：將所述蕎麥葉圖像輸入經過優化的所述蕎麥病害識別模型中，識別并輸出對應的蕎麥病害類型作為蕎麥病害識別結果。2.如權利要求1所述的基于卷積神經網絡的蕎麥病害識別方法，其特征在于，步驟S1中，基于vgg16網絡構建所述蕎麥病害識別模型；具體通過如下步驟構建所述蕎麥病害識別模型：S101：對vgg16網絡的卷積層進行分塊，得到多個卷積塊；S102：去除vgg16網絡的密集連接分類器層，得到對應的Conv_base網絡；S103：在Conv_base網絡的頂部添加Dense層進行網絡擴展；S104：將Conv_base網絡的最后一個卷積塊與Dense層聯合，得到對應的蕎麥病害識別模型。3.如權利要求2所述的基于卷積神經網絡的蕎麥病害識別方法，其特征在于：步驟S101中，將vgg16網絡的卷積層分成5個卷積塊；步驟S104中，凍結Conv_base網絡的前4個卷積塊，并將前4個卷積塊的set_trainable屬性設置為Flase；步驟S104中，將Conv_base網絡的最后一個卷積塊的set_trainable屬性設置為True。4.如權利要求2所述的基于卷積神經網絡的蕎麥病害識別方法，其特征在于，通過如下步驟訓練所述蕎麥病害識別模型：S111：通過預訓練數據集訓練Conv_base網絡的各個卷積塊；S112：對Conv_base網絡的各個卷積塊進行凍結；S113：解凍Conv_base網絡的最后一個卷積塊，并通過蕎麥病害數據集訓練Conv_base網絡的最后一個卷積塊；S114：將Conv_base網絡各個卷積塊的輸出特征進行融合得到對應的高層特征，將高層特征輸入Dense層進行分類。5.如權利要求4所述的基于卷積神經網絡的蕎麥病害識別方法，其特征在于，步驟S114中，通過如下公式對Conv_base網絡各個卷積塊的輸出特征進行融合：F
oracle
＝[α
×
F
block4
,β
×
F
block5
]；式中：F
oracle
表示高層特征；F
block4
表示前4個卷積塊的輸出特征；F
block5
表示最后一個卷積塊的輸出特征；α、β表示權重參數，分別為0.6和0.4。6.如權利要求4所述的基于卷積神經網絡的蕎麥病害識別方法，其...

【專利技術屬性】
技術研發人員：周尚波，劉小娟，
申請(專利權)人：重慶大學，
類型：發明
國別省市：