CN110766082B - 一种基于迁移学习的植物叶片病虫害程度分类方法 - Google Patents

Abstract

本发明公开了一种基于迁移学习的植物叶片病虫害程度分类方法，在常规图像预处理之后增设了0填充处理，使得图像的边缘特征信息能够被更加清晰地提取出来；利用ImageNet提供的通用机器视觉模型权重参数减轻模型训练的时间复杂度和资源消耗量；并对现有的ResNet50型残差神经网络进行改进，增设了可以保留更多信息的平均池化层、可以将多维数据降为1维进而加快计算速度的Flatten层、运算2048个中间特征的第一全连接层和最末端的第二全连接层，相比于现有技术，训练效果更佳，最终得到精度近似90％的处理效果。

Description

一种基于迁移学习的植物叶片病虫害程度分类方法

技术领域

本发明涉及农业机器视觉领域，具体涉及一种基于迁移学习的植物叶片病虫害程度分类方法。

背景技术

随着农业现代化的发展，规模种植面积越来越大，农作物病虫害问题随之成了首要问题。其具有种类多、影响大以及时常爆发成灾的特点，常对农业生产造成重大损失。若依靠专业人员在种植区域用肉眼观察农作物的病害情况，需要查看的物种通常会高达几十种，不同物种的疾病类型也不同，不但人力成本巨大，而且准确度也不够。

近年来，机器视觉的快速发展，通过机器视觉解决农业生产过程中的病虫害问题成为目前的一个重要研究方向。在本领域中，深度学习技术具有直接抽取分类特征的优点，一般不需要特意设置分类器，同时，深度学习提取特征的方法适合各种场景下的分类，泛化性比传统方法强，因此通常使用深度学习技术进行植物叶片的视频图像处理。

然而深度学习通常由于网络结构复杂而参数量巨大，其训练迭代过程也往往耗费更多的时间与计算资源。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于迁移学习的植物叶片病虫害程度分类方法解决了农业机器视觉领域中常用算法的模型训练时间长，耗费计算资源大以及训练精度还有待进一步优化的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于迁移学习的植物叶片病虫害程度分类方法，包括以下步骤：

S1、收集已诊断出病虫害信息的植物叶片图像，得到初始植物叶片病虫害数据集；

S2、对初始植物叶片病虫害数据集进行仿射变换，并进行随机增减光亮和归一化处理，得到统一尺寸的预处理植物叶片病虫害数据集；

S3、对预处理植物叶片病虫害数据集进行0填充，得到植物叶片病虫害数据集；

S4、将植物叶片病虫害数据集按N：M：L的比例分配为训练集、验证集和测试集；

S5、根据ResNet50型网络架构，建立残差神经网络模型，从前到后依次为卷积层、最大池化层和16个残差块；

S6、在残差神经网络模型的末端增添平均池化层、Flatten层、第一全连接层和第二全连接层，得到初始神经网络；

S7、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型，进行迭代训练，得到训练完成的神经网络；

S8、使用训练完成的神经网络对植物叶片图像进行处理，得到叶片种类、病虫害种类以及病虫害程度的结果。

进一步地：步骤S2中随机增减光亮的具体公式为：

f＝g×α+β

其中，g为原始图像，f为增减光亮的图像，α为变换对比度因子，β为亮度变化因子，α∈(0.9,1.1)，β∈(-10，10)。

进一步地：步骤S5中的卷积层由7×7×64大小的卷积核构成，其padding 深度为3，stride参数值为2。

进一步地：步骤S5中的最大池化层的池化窗口大小为3×3，其padding 深度为0，stride参数值为2。

进一步地：步骤S5中的16个残差块从前到后分别为3个第一类残差块、 4个第二类残差块、6个第三类残差块和3个第四类残差块；

所述第一类残差块由1个1×1×64大小的卷积核、1个3×3×64大小的卷积核和1个1×1×256大小的卷积核依次连接而成；

所述第二类残差块由1个1×1×128大小的卷积核、1个3×3×128大小的卷积核和1个1×1×512大小的卷积核依次连接而成；

所述第三类残差块由1个1×1×256大小的卷积核、1个3×3×256大小的卷积核和1个1×1×1024大小的卷积核依次连接而成；

所述第四类残差块由1个1×1×512大小的卷积核、1个3×3×512大小的卷积核和1个1×1×2048大小的卷积核依次连接而成。

进一步地：步骤S6中的平均池化层的池化窗口大小为2×2。

进一步地：步骤S6中的第一全连接层采用Relu作为激活函数，输出维度为2048。

进一步地：步骤S6中的第二全连接层采用Softmax作为激活函数，输出维度为61，其值代表61种农作物的病害程度。

进一步地：步骤S7包括以下步骤：

S71、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型，并锁定初始神经网络中除两个全连接层和16个残差块以外的各神经元权重值；

S72、通过训练集、验证集和测试集对初始神经网络进行训练，其中使用Adam优化器对16个残差块的各神经元权重值进行迭代；

S73、使用反向传播算法对两个全连接层的各神经元权重值进行迭代，直至该神经网络输出精度不再提高，得到训练完成的神经网络。

本发明的有益效果为：在常规图像预处理之后增设了0填充处理，使得图像的边缘特征信息能够被更加清晰地提取出来；利用ImageNet提供的通用机器视觉模型权重参数减轻模型训练的时间复杂度和资源消耗量；并对现有的 ResNet50型残差神经网络进行改进，增设了可以保留更多信息的平均池化层、可以将多维数据降为1维进而加快计算速度的Flatten层、运算2048个中间特征的第一全连接层和最末端的第二全连接层，相比于现有技术，训练效果更佳，最终得到精度近似90％的处理效果。

附图说明

图1为一种基于迁移学习的植物叶片病虫害程度分类方法流程示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，在本发明的一个实施例中，一种基于迁移学习的植物叶片病虫害程度分类方法，包括以下步骤：

S1、收集已诊断出病虫害信息的植物叶片图像，得到初始植物叶片病虫害数据集；

S2、对初始植物叶片病虫害数据集进行仿射变换，并进行随机增减光亮和归一化处理，得到统一尺寸的预处理植物叶片病虫害数据集；

所述随机增减光亮的具体公式为：

f＝g×α+β

其中，g为原始图像，f为增减光亮的图像，α为变换对比度因子，β为亮度变化因子，α∈(0.9,1.1)，β∈(-10，10)；

S3、对预处理植物叶片病虫害数据集进行0填充，得到植物叶片病虫害数据集；

S4、将植物叶片病虫害数据集按N、M、L的比例分配为训练集、验证集和测试集，其中N为60％，M和L均为20％；

S5、根据ResNet50型网络架构，建立残差神经网络模型，从前到后依次为卷积层、最大池化层和16个残差块；

S6、在残差神经网络模型的末端增添平均池化层、Flatten层、第一全连接层和第二全连接层，得到初始神经网络；

S7、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型，并锁定初始神经网络中除两个全连接层和16个残差块以外的各神经元权重值，通过训练集、验证集和测试集对初始神经网络进行训练，其中使用Adam优化器对16个残差块的各神经元权重值进行迭代；并使用反向传播算法对两个全连接层的各神经元权重值进行迭代，直至该神经网络输出精度不再提高，得到训练完成的神经网络；

S8、使用训练完成的神经网络对植物叶片图像进行处理，得到叶片种类、病虫害种类以及病虫害程度的结果。

所述步骤S5中的卷积层由7×7×64大小的卷积核构成，其padding深度为3，stride参数值为2。

所述步骤S5中的最大池化层的池化窗口大小为3×3，其padding深度为 0，stride参数值为2。

所述步骤S5中的16个残差块从前到后分别为3个第一类残差块、4个第二类残差块、6个第三类残差块和3个第四类残差块；

所述第一类残差块由1个1×1×64大小的卷积核、1个3×3×64大小的卷积核和1个1×1×256大小的卷积核依次连接而成；

所述第二类残差块由1个1×1×128大小的卷积核、1个3×3×128大小的卷积核和1个1×1×512大小的卷积核依次连接而成；

所述第三类残差块由1个1×1×256大小的卷积核、1个3×3×256大小的卷积核和1个1×1×1024大小的卷积核依次连接而成；

所述第四类残差块由1个1×1×512大小的卷积核、1个3×3×512大小的卷积核和1个1×1×2048大小的卷积核依次连接而成。

所述步骤S6中的平均池化层的池化窗口大小为2×2。

所述步骤S6中的第一全连接层采用Relu作为激活函数，输出维度为2048。

所述步骤S6中的第二全连接层采用Softmax作为激活函数，输出维度为 61，其值代表61种农作物的病害程度。

本发明在常规图像预处理之后增设了0填充处理，使得图像的边缘特征信息能够被更加清晰地提取出来；利用ImageNet提供的通用机器视觉模型权重参数减轻模型训练的时间复杂度和资源消耗量；并对现有的ResNet50型残差神经网络进行改进，增设了可以保留更多信息的平均池化层、可以将多维数据降为1维进而加快计算速度的Flatten层、运算2048个中间特征的第一全连接层和最末端的第二全连接层，相比于现有技术，训练效果更佳，最终得到精度近似90％的处理效果。

Claims (9)

1.一种基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，包括以下步骤：

S1、收集已诊断出病虫害信息的植物叶片图像，得到初始植物叶片病虫害数据集；

S2、对初始植物叶片病虫害数据集进行仿射变换，并进行随机增减光亮和归一化处理，得到统一尺寸的预处理植物叶片病虫害数据集；

S3、对预处理植物叶片病虫害数据集进行0填充，得到植物叶片病虫害数据集；

S4、将植物叶片病虫害数据集按N∶M∶L的比例分配为训练集、验证集和测试集；

S5、根据ResNet50型网络架构，建立残差神经网络模型，从前到后依次为卷积层、最大池化层和16个残差块；

S6、在残差神经网络模型的末端增添平均池化层、Flatten层、第一全连接层和第二全连接层，得到初始神经网络；

S7、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型，进行迭代训练，得到训练完成的神经网络；

S8、使用训练完成的神经网络对植物叶片图像进行处理，得到叶片种类、病虫害种类以及病虫害程度的结果。

2.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S2中随机增减光亮的具体公式为：

f＝g×α+β

其中，g为原始图像，f为增减光亮的图像，α为变换对比度因子，β为亮度变化因子，α∈(0.9，1.1)，β∈(-10，10)。

3.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S5中的卷积层由7×7×64大小的卷积核构成，其padding深度为3，stride参数值为2。

4.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S5中的最大池化层的池化窗口大小为3×3，其padding深度为0，stride参数值为2。

5.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S5中的16个残差块从前到后分别为3个第一类残差块、4个第二类残差块、6个第三类残差块和3个第四类残差块；

所述第一类残差块由1个1×1×64大小的卷积核、1个3×3×64大小的卷积核和1个1×1×256大小的卷积核依次连接而成；

所述第二类残差块由1个1×1×128大小的卷积核、1个3×3×128大小的卷积核和1个1×1×512大小的卷积核依次连接而成；

所述第三类残差块由1个1×1×256大小的卷积核、1个3×3×256大小的卷积核和1个1×1×1024大小的卷积核依次连接而成；

所述第四类残差块由1个1×1×512大小的卷积核、1个3×3×512大小的卷积核和1个1×1×2048大小的卷积核依次连接而成。

6.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S6中的平均池化层的池化窗口大小为2×2。

7.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S6中的第一全连接层采用Relu作为激活函数，输出维度为2048。

8.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S6中的第二全连接层采用Softmax作为激活函数，输出维度为61，其值代表61种农作物的病害程度。

9.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S7包括以下步骤：

S71、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型，并锁定初始神经网络中除两个全连接层和16个残差块以外的各神经元权重值；

S72、通过训练集、验证集和测试集对初始神经网络进行训练，其中使用Adam优化器对16个残差块的各神经元权重值进行迭代；

S73、使用反向传播算法对两个全连接层的各神经元权重值进行迭代，直至该神经网络输出精度不再提高，得到训练完成的神经网络。

Images