CN113516097B - 一种基于改进EfficentNet-V2的植物叶片疾病识别方法 - Google Patents

一种基于改进EfficentNet-V2的植物叶片疾病识别方法 Download PDF

Info

Publication number
CN113516097B
CN113516097B CN202110863310.6A CN202110863310A CN113516097B CN 113516097 B CN113516097 B CN 113516097B CN 202110863310 A CN202110863310 A CN 202110863310A CN 113516097 B CN113516097 B CN 113516097B
Authority
CN
China
Prior art keywords
layer
image
plant
module
improved
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110863310.6A
Other languages
English (en)
Other versions
CN113516097A (zh
Inventor
刘军涛
黄碧
原慧琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN202110863310.6A priority Critical patent/CN113516097B/zh
Publication of CN113516097A publication Critical patent/CN113516097A/zh
Application granted granted Critical
Publication of CN113516097B publication Critical patent/CN113516097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于改进EfficentNet‑V2的植物叶片疾病识别方法，涉及控制和模式识别技术领域。本发明对已有的EfficentNet‑V2模型进行改进。经实际数据集验证，该模型在保证识别准确率的前提下提高了训练速度和推理速度，即预测所需时间。能够较好地弥补人工识别效率低；解决了现有用于植物疾病识别模型训练困难，难以部署，识别速度慢等缺陷，实现对植物疾病快速并且准确的识别。

Description

一种基于改进EfficentNet-V2的植物叶片疾病识别方法
技术领域
本发明涉及控制和模式识别技术领域，尤其涉及一种基于改进EfficentNet-V2的植物叶片疾病识别方法。
背景技术
深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术等领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题。深度学习在人工智能方面取得很大的进步。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有文字识别，图像和语音分析的能力。深度学习在图像识别方面取得的效果，远远超过先前相关技术。
图像分类，核心是从给定的分类集合中给图像分配一个标签的任务。实际上，这意味着我们的任务是分析一个输入图像并返回一个将图像分类的标签。标签总是来自预定义的可能类别集。
EfficientNet是由谷歌团队于2019年提出，该模型同时探索了输入分辨率，网络的深度，宽度的影响，且在当年的图像分类任务中取得最好成绩。2021年4月，谷歌对EfficientNet做出了一系列改进，最新提出的EfficientNet-V2准确率相比之前网络增加了1个百分点，且进一步减少了模型参数，训练速度提升了11倍。本发明在EfficientNet-V2基础上进行改进，对浅层的结构优化，实验表明模型训练速度和推理速度均有小幅提高。
完整的图像分类步骤一般形式如下：
1、输入一组训练图像数据集；
2、使用该训练图像数据集训练一个分类器，该分类器能够学习每个类别的特征；
3、使用测试集来评估分类器的性能，将预测出的结果与真实类别标记进行比较；
目前利用深度学习的方法在图像分类上已经取得重大进展，从一开始的LeNet到后来的VGGNet，再到google的Inception系列，再到ResNet系列，每一种神经网络模型都有其创新的点，其准确率已逐渐满足日常需要。然而在实际应用中，为方便部署，模型训练速度和推理速度也不容忽视，对一些轻量级的网络如MobileNet，ShuffleNet，EfficientNet等的研究逐渐流行。
大多数植物疾病表现出明显的症状，目前被接受的技术是由有经验的植物病理学家通过对受感染植物叶片的光学观察来诊断疾病。疾病诊断过程手动执行缓慢的事实以及诊断的成功与病理学家的能力成正比的另一个事实使得这个问题成为计算机辅助诊断系统的一个极好的应用领域。传统的机器学习方法中，手动特征提取应该完美无缺以获得成功的结果，而现在需要一种不需要预处理并且能够执行成功分类的模型。
利用深度学习的方法，建立一种有效的图像分类模型，在解决植物疾病识别的研究上有重要意义。
发明内容
针对现有技术存在的问题，本发明提供一种基于改进EfficentNet-V2的植物叶片疾病识别方法，对已有的EfficentNet-V2模型进行改进。经实际数据集验证，该模型在保证识别准确率的前提下提高了训练速度和推理速度，即预测所需时间。
为了解决上述技术问题，本发明采用以下的技术方案：
一种基于改进的EfficentNet-V2的植物叶片疾病识别方法，包括以下步骤：
步骤1：获取植物样本数据集；
步骤1：获取植物样本数据集；所述样本数据集中的图像数据为彩色图像，包括不同植物的健康叶片图像以及患病叶片图像；
步骤2：建立基于改进EfficientNet-V2的图像分类模型；
所述图像分类模型包括图像特征提取模块以及分类器；
所述图像特征提取模块包括Stage0到Stage6，其中Stage0到Stage3为FusedMBConv模块，即特征提取模块浅层，Stage4到Stage6为MBconv模块，即特征提取模块深层；FusedMBConv模块包括卷积层和Dropout层，引入注意力机制，输入数据经过卷积运算后，通过Dropout层输出；MBconv模块包括卷积层和Dropout层，引入了注意力机制SE模块，包括全局平均池化层和全连接层，输入数据经过一个升维的卷积运算后，使用SE模块进行处理，再通过一个卷积运算降维，最终经Dropout层输出提取到的特征信息；
所述分类器包括一个卷积层，一个pooling层和一个全连接层，由图像特征提取模块得到的特征信息经过卷积层处理后再使用池化处理，最终经过全连接层输出图像所属类别的概率值。
步骤3：构建训练集，使用步骤2中图像分类模型，利用反向传播算法更新训练权重；
所述反向传播算法将样本数据集中的图像数据输入到图像分类模型，计算网络输出值与实际值之间的误差，并将该误差反向传播，在反向传播的过程中，根据误差按照梯度下降法调整网络中各层中的权重；不断迭代上述过程，直至loss曲线收敛。
步骤4：利用步骤3得到的训练权重进行叶片疾病预测；
在步骤3中反复迭代到loss最小，保存此时的训练权重，将待检测的植物图像建立测试集，将测试集数据输入到改进的EfficientNet-V2模型中，得到植物的疾病预测结果，即识别叶片疾病的概率；
本发明所产生的有益效果在于：
本发明提出一种基于改进的EfficentNet-V2的植物叶片疾病识别方法，与现有技术相比，本方法能够较好地弥补人工识别效率低；解决了现有用于植物疾病识别模型训练困难，难以部署，识别速度慢等缺陷，实现对植物疾病快速并且准确的识别。
附图说明
图1为本发明植物叶片疾病识别方法流程图；
图2为本发明实施例中数据集图像；
其中图(a)-苹果黑星病图，图(b)-苹果黑斑病图；图(c)-葡萄健康图；
图(d)-葡萄黑斑病图；图(e)-桃叶健康图；图(f)-桃疮痂病图；
图3为本发明FusedMBConv模块结构框图；其中图(a)-为扩展因子为1时Fused-MBConv结构；图(b)-为扩展因子不为1时Fused-MBConv的结构。
图4为本发明MBConv模块结构框图；
图5为本发明SE模块结构框图；
图6为本发明学习率变化曲线图；
图7为本发明测试集loss曲线图；
图8为本发明测试集acc曲线图；
图9为本发明实施例中植物疾病预测结果图；
其中图(a)-为预测出图像样本为葡萄黑斑病图；图(b)-为预测出样本为苹果黑斑病图；图(c)-为预测出样本为健康苹果叶片图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
一种基于改进的EfficentNet-V2的植物叶片疾病识别方法，如图1所示，包括以下步骤：
步骤1：获取植物样本数据集；
本实施例中使用的样本数据集为由2018年AI challenger提供，用于研究个别植物叶片疾病的PlantVillage，该样本数据集包含14种不同植物的38个类别，总计54305幅植物叶片图像，在所述38个类别植物图像数据中12个类别是健康植物，26个类别是患病植物；样本数据集中的图像数据为彩色图像。如图2所示为数据集中4个样本实例。
步骤2：建立基于改进EfficientNet-V2的图像分类模型；
所述图像分类模型包括图像特征提取模块以及分类器，其中所述图像特征提取模块包括Stage0到Stage6，Stage0到Stage3为FusedMBConv模块，即特征提取模块浅层，Stage4到Stage6为MBconv模块，即特征提取模块深层；本实施例中改进的EfficientNet-V2图像分类模型结构如表1所示：
表1:EfficientNet-V2图像分类模型结构
Stage Operator Stride Channels Layers
0 Conv3x3 2 24 1
1 Fused-MBConv1,k3x3 1 24 2
2 Fused-MBConv4,k3x3 2 48 4
3 Fused-MBConv4,k3x3 2 64 4
4 MBConv4,k3x3,SE0.25 2 128 6
5 MBConv6,k3x3,SE0.25 1 160 9
6 MBConv6,k3x3,SE0.25 2 272 15
7 Conv1x1&Pooling&FC - 1280 1
FusedMBConv模块包括卷积层和Dropout层，在模型浅层的Fused-MBConv中去除SE模块引入注意力机制。如图3所示，输入数据经过卷积运算后，通过Dropout层输出。MBconv模块包括卷积层和Dropout层，引入了注意力机制SE模块，包括全局平均池化层和全连接层。如图4所示，输入数据经过一个升维的卷积运算后，使用SE模块如图5所示，进行处理，再通过一个卷积运算降维，最终经Dropout层输出提取到的特征信息。
所述分类器包括一个卷积层，一个pooling层和一个全连接层，由图像特征提取模块得到的特征信息经过卷积层处理后再使用池化处理，最终经过全连接层输出图像所属类别的概率值。
步骤3：构建训练集，使用步骤2中图像分类模型，利用反向传播算法更新训练权重；
所述反向传播算法将样本数据集中的图像数据输入到图像分类模型，计算网络输出值与实际值之间的误差，并将该误差反向传播，在反向传播的过程中，根据误差按照梯度下降法调整网络中各层中的权重；不断迭代上述过程，直至loss曲线收敛。
步骤4：利用步骤3得到的训练权重进行叶片疾病预测
在步骤3中反复迭代到loss最小，保存此时的训练权重，将待检测的植物图像建立测试集，将测试集数据输入到改进的EfficientNet-V2模型中，得到植物的疾病预测结果，即识别叶片疾病的概率；
本实施中学习率变化曲线图如图6图所示，其中横坐标为迭代次数，纵坐标为学习率的值。图7为本发明测试集loss曲线图；其中横坐标为迭代次数，纵坐标为测试集损失的值。如图所示，随着迭代次数增加，测试损失快速减小。迭代至第10次时，测试损失达到0.04。
图8为本发明测试集acc曲线图；其中横坐标为迭代次数，纵坐标为准确率。如图所示，随着迭代次数增加，其测试准确率显著增大。迭代至第10次时，准确率以达到0.986。本发明实施例中最后获得的植物疾病预测结果图如图9所示。其中图(a)为预测出图像样本为葡萄黑斑病图，其概率1.0；图(b)为预测出样本为苹果黑斑病，其概率为0.998；图(c)为预测出样本为健康苹果叶片，其概率为0.989。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (1)

1.一种基于改进EfficentNet-V2的植物叶片疾病识别方法，其特征在于，包括以下步骤：
步骤1：获取植物样本数据集；所述样本数据集中的图像数据为彩色图像，包括不同植物的健康叶片图像以及患病叶片图像；
步骤2：建立基于改进EfficientNet-V2的图像分类模型；
步骤2中所述图像分类模型包括图像特征提取模块以及分类器；
所述图像特征提取模块包括Stage0到Stage6，其中Stage0到Stage3为FusedMBConv模块，即特征提取模块浅层，Stage4到Stage6为MBconv模块，即特征提取模块深层；FusedMBConv模块包括卷积层和Dropout层，引入注意力机制，输入数据经过卷积运算后，通过Dropout层输出；MBconv模块包括卷积层和Dropout层，引入了注意力机制SE模块，包括全局平均池化层和全连接层，输入数据经过一个升维的卷积运算后，使用SE模块进行处理，再通过一个卷积运算降维，最终经Dropout层输出提取到的特征信息；
所述分类器包括一个卷积层，一个pooling层和一个全连接层，由图像特征提取模块得到的特征信息经过卷积层处理后再使用池化处理，最终经过全连接层输出图像所属类别的概率值；
步骤3：构建训练集，使用步骤2中图像分类模型，利用反向传播算法更新训练权重；
步骤3中所述反向传播算法将样本数据集中的图像数据输入到图像分类模型，计算网络输出值与实际值之间的误差，并将该误差反向传播，在反向传播的过程中，根据误差按照梯度下降法调整网络中各层中的权重；不断迭代上述过程，直至loss曲线收敛；
步骤4：利用步骤3得到的训练权重进行叶片疾病预测；
在步骤3中反复迭代到loss最小，保存此时的训练权重，将待检测的植物图像建立测试集，将测试集数据输入到改进的EfficientNet-V2模型中，得到植物的疾病预测结果，即识别叶片疾病的概率。
CN202110863310.6A 2021-07-29 2021-07-29 一种基于改进EfficentNet-V2的植物叶片疾病识别方法 Active CN113516097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110863310.6A CN113516097B (zh) 2021-07-29 2021-07-29 一种基于改进EfficentNet-V2的植物叶片疾病识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110863310.6A CN113516097B (zh) 2021-07-29 2021-07-29 一种基于改进EfficentNet-V2的植物叶片疾病识别方法

Publications (2)

Publication Number Publication Date
CN113516097A CN113516097A (zh) 2021-10-19
CN113516097B true CN113516097B (zh) 2022-08-09

Family

ID=78067931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110863310.6A Active CN113516097B (zh) 2021-07-29 2021-07-29 一种基于改进EfficentNet-V2的植物叶片疾病识别方法

Country Status (1)

Country Link
CN (1) CN113516097B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782967B (zh) * 2022-03-21 2024-02-20 南京航空航天大学 一种基于代码可视化学习的软件缺陷预测方法
CN115690521A (zh) * 2022-11-30 2023-02-03 仲恺农业工程学院 一种芥蓝成熟度识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6331665B1 (en) * 1990-01-22 2001-12-18 Dekalb Genetics Corp. Insect resistant fertile transgenic corn plants
CN109086799A (zh) * 2018-07-04 2018-12-25 江苏大学 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法
CN111563431A (zh) * 2020-04-24 2020-08-21 空间信息产业发展股份有限公司 一种基于改进卷积神经网络的植物叶片病虫害识别方法
CN113111830A (zh) * 2021-04-23 2021-07-13 浙江工业大学 一种葡萄藤冬剪点检测算法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909095A (zh) * 2017-11-07 2018-04-13 江苏大学 一种基于深度学习的图像识别方法
CN111563542A (zh) * 2020-04-24 2020-08-21 空间信息产业发展股份有限公司 一种基于卷积神经网络的植物自动分类方法
CN112861752B (zh) * 2021-02-23 2022-06-14 东北农业大学 一种基于dcgan与rdn的作物病害识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6331665B1 (en) * 1990-01-22 2001-12-18 Dekalb Genetics Corp. Insect resistant fertile transgenic corn plants
CN109086799A (zh) * 2018-07-04 2018-12-25 江苏大学 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法
CN111563431A (zh) * 2020-04-24 2020-08-21 空间信息产业发展股份有限公司 一种基于改进卷积神经网络的植物叶片病虫害识别方法
CN113111830A (zh) * 2021-04-23 2021-07-13 浙江工业大学 一种葡萄藤冬剪点检测算法

Also Published As

Publication number Publication date
CN113516097A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN110287320B (zh) 一种结合注意力机制的深度学习多分类情感分析模型
CN110738247B (zh) 一种基于选择性稀疏采样的细粒度图像分类方法
CN107220506A (zh) 基于深度卷积神经网络的乳腺癌风险评估分析系统
CN113516097B (zh) 一种基于改进EfficentNet-V2的植物叶片疾病识别方法
CN110083700A (zh) 一种基于卷积神经网络的企业舆情情感分类方法及系统
CN109376242A (zh) 基于循环神经网络变体和卷积神经网络的文本分类算法
CN114038037B (zh) 基于可分离残差注意力网络的表情标签修正和识别方法
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN110059656B (zh) 基于卷积对抗生成神经网络的白细胞分类方法及系统
CN112784879A (zh) 一种基于小样本域自适应的医学影像分割或分类方法
CN108121702A (zh) 数学主观题评阅方法及系统
CN105095863A (zh) 基于相似性权值的半监督字典学习的人体行为识别方法
CN107818080A (zh) 术语识别方法及装置
Golovko et al. A new technique for restricted Boltzmann machine learning
CN113128620A (zh) 一种基于层次关系的半监督领域自适应图片分类方法
CN111105393A (zh) 一种基于深度学习的葡萄病虫害识别方法及装置
Yu et al. A recognition method of soybean leaf diseases based on an improved deep learning model
CN109582974A (zh) 一种基于深度学习的在校大学生信用评估方法及装置
Ma et al. A novel two-stage deep method for mitosis detection in breast cancer histology images
CN109947923A (zh) 一种基于词向量的初等数学题型自动提取方法及系统
CN114782753A (zh) 基于弱监督学习和转换器的肺癌组织病理全切片分类方法
CN116341621A (zh) 面向焊缝缺陷超声检测的低成本自学习神经网络设计方法
Gawade et al. Early-stage apple leaf disease prediction using deep learning
Cho et al. Fruit ripeness prediction based on DNN feature induction from sparse dataset

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant