CN114359644B - 基于改进vgg-16网络的农作物病虫害识别方法 - Google Patents

Abstract

本发明公开了一种基于改进VGG‑16网络的农作物病虫害识别方法，包括：S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类；S2、将农作物病虫害图像数据中的图像输入到改进VGG‑16网络进行参数训练；S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别。本发明突破原有技术准确率较低、缺乏鲁棒性和自适应能力差等问题，鲁棒性更强，识别率更高，网络参数更少，自适应能力更强，识别速度更快，对图像中的农作物病虫害识别更加准确。

Description

基于改进VGG-16网络的农作物病虫害识别方法

技术领域

本发明涉及图像识别的技术领域，尤其是指一种基于改进VGG-16网络的农作物病虫害识别方法。

背景技术

随着我国农业飞速发展，对农作物的产量与质量的要求也不断提高。而农作物病虫害是影响农作物产量与质量的重要因素之一。过去使用人工识别的方法，即靠技术人员对农作物病虫害识别，但技术人员知识和经验水平参差不齐，导致识别准确率不确定性过高，而且只能应对小规模种植，在大规模种植的情况下存在效率低、实时性差和人力物力花费较大等缺点。

智慧农业要求实现无人化、自动化、智能化农业管理，许多农场通过安装高清摄像头获取农作物图像，使用传统视觉学习方法分析所得图像识别农作物病虫害可以解决人工识别效率低等缺点，也符合智慧农业需求导向，但仍存在准确率较低、缺乏鲁棒性和自适应能力差等缺点。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出一种基于改进VGG-16 网络的农作物病虫害识别方法，该方法实质是在VGG-16网络的基础上提出一种农作物病虫害识别方法，使用已有农作物病虫害图像数据进行训练和识别。迭代训练的模型大体结构与VGG-16网络相同，VGG-16网络原有的多个3*3卷积层替换成GhostNet网络的Ghost Module模块，并在之后增加SE block和Batch Normalization。在计算量更低的情况下，保证良好检测效果，减少VGG-16网络的参数量并提高了模型的执行速度和准确率，也更具鲁棒性。

为实现上述目的，本发明所提供的技术方案为：基于改进VGG-16网络的农作物病虫害识别方法，包括以下步骤：

S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类；

S2、将农作物病虫害图像数据中的图像输入到改进VGG-16网络进行参数训练；其中，对VGG-16网络的改进是将VGG-16网络的卷积层换成GhostNet 网络的Ghost Module模块，并在之后增加SE block和Batch Normalization，最后两层为池化层和全连接层；

S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别，即将一张待测图像输入到该最优网络中，就会准确识别出图像中农作物病虫害的类别。

进一步，在步骤S1中，对分类后的农作物病虫害图像数据进行分割形成供训练使用的训练集部分、供训练期间验证的验证集部分和供训练后测试的测试集部分，以便后续将图像数据输入改进VGG-16网络进行参数的训练。

进一步，在步骤S2中，所述改进VGG-16网络的卷积层由GhostNet网络提出的GhostModule模块、SE block和Batch Normalization组成；Ghost Module 模块先进行普通的卷积生成少量的特征图，再利用线性运算扩充特征和增加通道；其中，普通卷积的操作表示为：

Y＝X+f+b

式中，X为图像输入，b是偏置项，Y∈R^h×w×n是n通道的输出特征图，R^h×w×n是所有通道输出特征图的集合，f∈R^c×k×k×n是卷积过滤器，R^c×k×k×n是所有卷积滤波器的集合，h和w分别是输出数据的高和宽，k×k是卷积过滤器的内核尺寸， c为通道数，n为特征图数量；Ghost Module模块的卷积操作表示为：

Y′＝X*f′

式中，*表示卷积运算，f′∈R^c×k×k×n是使用的过滤器，Y′为输出特征图，此处将偏置项忽略不计，并且得到的特征图数量会比普通卷积操作要少，为了得到相同的特征图数量，会通过线性运算操作来生成剩余的特征图，该线性运算操作表示为：

式中，m为上一步得到的输出特征图数量，d为线性运算的次数，y_i′是Y′中的第i个特征图，Φ_i,j是生成第j个特征图变换y_ij的第j个线性运算；SE block 是通过自动学习的方式获取每个特征通道的重要程度，并根据重要程度赋予相应的权重值，从而让改进VGG-16网络筛选出重要的特征，继而提高识别的准确率；SE block包含Squeeze、Excitation和Scale操作，其中Squeeze操作属于空间维度的特征压缩，将一个通道上的二维特征压缩为一个实数，表示为：

式中，Z_c是一个统计量，F_sq代表squeeze操作，H和W是数据维数，u_c是通道c的二维空间核，即特征映射，u_c(i,j)是通道c维度为(i,j)的二维空间核； Squeeze最终得到各个通道的全局特征，假设原来维度为r，那么Excitation操作先用一个全连接层将输入的全局特征维度降到原来的经过ReLu函数之后再通过一个全连接层提升到原来的维度，最后在Sigmoid函数的作用下化为一个 0-1的归一化权重，表示为：

s＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂δ(W₁z))

式中，Z是Squeeze操作得到的统计量，s为权重关系，g为门控机制，F_ex为Excitation操作，δ为ReLu函数，σ为Sigmoid函数，W₁和W₂分别为降维和升维参数；最后一步Scale操作将权重加权到每个通道的特征中，表示为：

式中，是已经加权的特征输出，F_scale为权重s_c与特征映射u_c相乘计算； BatchNormalization即批标准化，使得输入的数据符合同一分布，加快网络的收敛速度，提高网络的自适应能力，防止梯度爆炸、梯度消失和过拟合问题出现；

所述池化层做的是二维的平均池化，池化窗口大小为1*1，窗口移动的步长为1；

改进VGG-16网络的分类层只有一个全连接层，原来的VGG-16网络有两个全连接层，产生了大量参数，改进VGG-16网络则将全连接层数量缩小为1，并将其输出样本大小改为训练的农作物病虫害种类数量，减少了大量参数和避免消耗不必要的算力；改进VGG-16网络使用的损失函数为：

式中，loss(x,class)表示分类层的损失函数，x[j]为损失函数的第j个特征输入，x[class]为农作物病虫害类别class的特征。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明对拍摄的农作物病虫害图片的特征提取质量更高，提升了识别方法的鲁棒性。

2、本发明使用Ghost Module模块提取图片特征，在保证检测效果的前提下，降低了网络计算量和参数量，提高了网络的执行速度。

3、本发明使用SE block，提高网络自动学习的能力和识别的准确率。

4、本发明在各卷积层后加上Batch Normalization，加快了网络的收敛速度，提高了网络的自适应能力，同时防止梯度爆炸、梯度消失和过拟合等问题出现。

5、本发明对全连接层的修改减少了网络的大量参数，提高了网络的执行速度，减少了算力消耗。

附图说明

图1为改进VGG-16网络的架构图。

图2为改进VGG-16网络的逻辑流程示意图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

本实施例公开了一种基于改进VGG-16网络的农作物病虫害识别方法，可以训练出一个对输入图像中的农作物病虫害进行自动识别的最优网络，见图1 和图2所示，训练完成的最优网络可以对图像中的农作物病虫害进行自动识别，其具体步骤如下：

S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类，对分类后的农作物病虫害图像数据进行分割形成供训练使用的训练集部分、供训练期间验证的验证集部分和供训练后测试的测试集部分，以便后续将图像数据输入改进VGG-16网络进行参数的训练。

S2、将农作物病虫害图像数据中的图像输入到改进VGG-16网络进行参数训练；其中，对VGG-16网络的改进是将VGG-16网络的卷积层换成GhostNet 网络的Ghost Module模块，并在之后增加SE block和Batch Normalization，最后两层为池化层和全连接层，具体情况如下：

改进VGG-16网络的卷积层由GhostNet网络提出的Ghost Module模块、SE block和Batch Normalization组成。一般卷积操作输出的特征图都存在着许多冗余，而花费大量算力和参数去生成冗余的特征图是没有必要的，Ghost Module 模块先进行普通的卷积生成少量的特征图，再利用廉价的线性运算扩充特征和增加通道。其中普通卷积的操作可以表示为：

Y＝X+f+b

式中，X为图像输入，b是偏置项，Y∈R^h×w×n是n通道的输出特征图， R^h×w×n是所有通道输出特征图的集合，f∈R^c×k×k×n是卷积过滤器，R^c×k×k×n是所有卷积滤波器的集合，h和w分别是输出数据的高和宽，k×k是卷积过滤器的内核尺寸，c为通道数，n为特征图数量。GhostModule的卷积操作可以表示为：

Y′＝X*f′

式中，*表示卷积运算，f′∈R^c×k×k×n是使用的过滤器，Y′为输出特征图，此处将偏置项忽略不计，并且得到的特征图数量会比普通卷积操作要少，为了得到相同的特征图数量，会通过一系列的线性运算操作来生成剩余的特征图，该线性运算操作可以表示为：

式中，m为上一步得到的输出特征图数量，d为线性运算的次数，y_i′是Y′中的第i个特征图，Φ_i,j是生成第j个特征图变换y_ij的第j个线性运算；SE block 是通过自动学习的方式获取每个特征通道的重要程度，并根据重要程度赋予相应的权重值，从而让改进VGG-16网络筛选出重要的特征，继而提高识别的准确率。SE block包含Squeeze、Excitation和Scale操作，其中Squeeze操作属于空间维度的特征压缩，将一个通道上的二维特征压缩为一个实数，可以表示为：

式中，Z_c是一个统计量，F_sq代表squeeze操作，H和W是数据维数，u_c是通道c的二维空间核，即特征映射，u_c(i,j)是通道c维度为(i,j)的二维空间核。 Squeeze最终得到各个通道的全局特征，假设原来维度为r，那么Excitation操作先用一个全连接层将输入的全局特征维度降到原来的经过ReLu函数之后再通过一个全连接层提升到原来的维度，最后在Sigmoid函数的作用下化为一个 0-1的归一化权重，表示为：

s＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂δ(W₁z))

式中，Z是Squeeze操作得到的统计量，s为权重关系，g为门控机制，F_ex为Excitation操作，δ为ReLu函数，σ为Sigmoid函数，W₁和W₂分别为降维和升维参数。最后一步Scale操作将权重加权到每个通道的特征中，表示为：

式中是已经加权的特征输出，F_scale为权重s_c与特征映射u_c相乘计算。BatchNormalization即批标准化，使得输入的数据符合同一分布，加快网络的收敛速度，提高网络的自适应能力，防止梯度爆炸、梯度消失和过拟合等问题出现。

所述池化层做的是二维的平均池化，池化窗口大小为1*1，窗口移动的步长为1。

改进VGG-16网络的分类层只有一个全连接层，原来VGG-16网络有两个全连接层产生了大量参数，改进VGG-16网络则将全连接层数量缩小为1，并将其输出样本大小改为训练的农作物病虫害种类数量，减少了大量参数和避免消耗不必要的算力。改进VGG-16网络使用的损失函数为：

式中，loss(x,class)表示分类层的损失函数，x[j]为损失函数的第j个特征输入，x[class]为农作物病虫害类别class的特征。

S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别，即将一张待测图像输入到该最优网络中，就会准确识别出图像中农作物病虫害的类别。

上述改进VGG-16网络经过卷积层、池化层、分类层以及各层之间连接的精密设计并且使用海量的图像数据集进行训练，比传统的机器视觉的智能算法有更高的鲁棒性和正确率。对图像中的农作物病虫害进行自动识别提供了有效的方法。

综上所述，本发明突破原有技术准确率较低、缺乏鲁棒性和自适应能力差等问题，将VGG-16网络原有的卷积层替换成GhostNet网络的Ghost Module并加入SE block，鲁棒性更强，识别率更高，网络参数更少，自适应能力更强，识别速度更快，对图像中的农作物病虫害识别更加准确，具有实际应用价值，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (2)

1.基于改进VGG-16网络的农作物病虫害识别方法，其特征在于，包括以下步骤：

S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类；

S2、将农作物病虫害图像数据中的图像输入到改进VGG-16网络进行参数训练；其中，对VGG-16网络的改进是将VGG-16网络的卷积层换成GhostNet网络的Ghost Module模块，并在之后增加SE block和Batch Normalization，最后两层为池化层和全连接层；

所述改进VGG-16网络的卷积层由GhostNet网络提出的Ghost Module模块、SE block和Batch Normalization组成；Ghost Module模块先进行普通的卷积生成少量的特征图，再利用线性运算扩充特征和增加通道；其中，普通卷积的操作表示为：

Y＝X+f+b

式中，X为图像输入，b是偏置项，Y∈R^h×w×n是n通道的输出特征图，R^h×w×n是所有通道输出特征图的集合，f∈R^c×k×k×n是卷积过滤器，R^c×k×k×n是所有卷积滤波器的集合，h和w分别是输出数据的高和宽，k×k是卷积过滤器的内核尺寸，c为通道数，n为特征图数量；GhostModule模块的卷积操作表示为：

Y′＝X*f′

式中，*表示卷积运算，f’∈R^c×k×k×n是使用的过滤器，Y′为输出特征图，此处将偏置项忽略不计，并且得到的特征图数量会比普通卷积操作要少，为了得到相同的特征图数量，会通过线性运算操作来生成剩余的特征图，该线性运算操作表示为：

式中，m为上一步得到的输出特征图数量，d为线性运算的次数，y_i′是Y′中的第i个特征图，Φ_i,j是生成第j个特征图变换y_ij的第j个线性运算；SE block是通过自动学习的方式获取每个特征通道的重要程度，并根据重要程度赋予相应的权重值，从而让改进VGG-16网络筛选出重要的特征，继而提高识别的准确率；SE block包含Squeeze、Excitation和Scale操作，其中Squeeze操作属于空间维度的特征压缩，将一个通道上的二维特征压缩为一个实数，表示为：

式中，Z_c是一个统计量，F_sq代表squeeze操作，H和W是数据维数，u_c是通道c的二维空间核，即特征映射，u_c(i,j)是通道c维度为(i,j)的二维空间核；Squeeze最终得到各个通道的全局特征，假设原来维度为r，那么Excitation操作先用一个全连接层将输入的全局特征维度降到原来的经过ReLu函数之后再通过一个全连接层提升到原来的维度，最后在Sigmoid函数的作用下化为一个0-1的归一化权重，表示为：

s＝F_ex(z,W)＝σ(g(z,W))＝σ(W₂δ(W₁z))

式中，Z是Squeeze操作得到的统计量，s为权重关系，g为门控机制，F_ex为Excitation操作，δ为ReLu函数，σ为Sigmoid函数，W₁和W₂分别为降维和升维参数；最后一步Scale操作将权重加权到每个通道的特征中，表示为：

式中，是已经加权的特征输出，F_scale为权重s_c与特征映射u_c相乘计算；BatchNormalization即批标准化，使得输入的数据符合同一分布，加快网络的收敛速度，提高网络的自适应能力，防止梯度爆炸、梯度消失和过拟合问题出现；

所述池化层做的是二维的平均池化，池化窗口大小为1*1，窗口移动的步长为1；

改进VGG-16网络的分类层只有一个全连接层，原来的VGG-16网络有两个全连接层，产生了大量参数，改进VGG-16网络则将全连接层数量缩小为1，并将其输出样本大小改为训练的农作物病虫害种类数量；改进VGG-16网络使用的损失函数为：

式中，loss(x,class)表示分类层的损失函数，x[j]为损失函数的第j个特征输入，x[class]为农作物病虫害类别class的特征；

S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别，即将一张待测图像输入到该最优网络中，就会准确识别出图像中农作物病虫害的类别。

2.根据权利要求1所述的基于改进VGG-16网络的农作物病虫害识别方法，其特征在于，在步骤S1中，对分类后的农作物病虫害图像数据进行分割形成供训练使用的训练集部分、供训练期间验证的验证集部分和供训练后测试的测试集部分，以便后续将图像数据输入改进VGG-16网络进行参数的训练。