CN116206304A - 一种基于改进卷积神经网络的番茄叶片病害识别方法 - Google Patents
一种基于改进卷积神经网络的番茄叶片病害识别方法 Download PDFInfo
- Publication number
- CN116206304A CN116206304A CN202211241047.8A CN202211241047A CN116206304A CN 116206304 A CN116206304 A CN 116206304A CN 202211241047 A CN202211241047 A CN 202211241047A CN 116206304 A CN116206304 A CN 116206304A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- tomato leaf
- disease
- attention
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 95
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 95
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 82
- 235000007688 Lycopersicon esculentum Nutrition 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 73
- 240000003768 Solanum lycopersicum Species 0.000 title claims description 75
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000007246 mechanism Effects 0.000 claims abstract description 28
- 230000009977 dual effect Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 102100033620 Calponin-1 Human genes 0.000 claims description 6
- 102100033591 Calponin-2 Human genes 0.000 claims description 6
- 102100033592 Calponin-3 Human genes 0.000 claims description 6
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 claims description 6
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 claims description 6
- 101000945410 Homo sapiens Calponin-3 Proteins 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 241000227653 Lycopersicon Species 0.000 abstract 5
- 241001454295 Tetranychidae Species 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了图像识别领域的一种基于改进卷积神经网络的番茄叶片病害识别方法,包括如下步骤:S101、获取番茄叶片病害图像数据集并开展预处理,形成番茄叶片病害分类识别,得到试验数据训练集和测试集;S102、通过改进卷积神经网络方法和预训练参数构建方法模型,对训练集的图像特征进行提取,进行番茄叶片病害识别模型的训练,获得待识别番茄叶片病害图像。本方法对卷积神经网络方法进行了改进,通过多通道多核提取图像信息,同时加入双重注意力机制关注图像全局、局部特征,实验仿真显示本方法方法对番茄叶片病害黄叶卷曲病、花叶病、蜘蛛螨、七星斑、叶霉菌、早疫病识别正确率、消耗时间优于其他方法。
Description
技术领域
本发明涉及图像识别领域,具体是一种基于改进卷积神经网络的番茄叶片病害识别方法。
背景技术
农业是国民经济发展的基础,而作物病害严重影响着农业生产的产量与质量,造成了重大的经济损失。作物病害识别是一项重要的工作,尤其是根据作物的病叶进行病害诊断显得尤为关键。
传统的番茄叶片病害诊断方法主要依靠经验,凭感觉对作物病害进行诊断,这种方法不仅缺乏科学依据而且耗时耗力,严重影响了病害诊断的准确性及效率。因此,本领域技术人员提供了一种基于改进卷积神经网络的番茄叶片病害识别方法,以解决上述背景技术中提出的问题。
发明内容
本发明的目的在于提供一种基于改进卷积神经网络的番茄叶片病害识别方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于改进卷积神经网络的番茄叶片病害识别方法,包括如下步骤:
S101、获取番茄叶片病害图像数据集并开展预处理,形成番茄叶片病害分类识别,得到试验数据训练集和测试集;
S102、通过改进卷积神经网络方法和预训练参数构建方法模型,对训练集的图像特征进行提取,进行番茄叶片病害识别模型的训练,获得待识别番茄叶片病害图像。
作为本发明进一步的方案:所述步骤S102中的改进卷积神经网络包括四通道多核卷积神经网络和双重注意力机制的卷积神经网络。
作为本发明进一步的方案:所述四通道多核卷积神经网络将番茄叶片通过Sobel算子得到水平方向、垂直方向及45°、135°对角方向的四个梯度图像,即获得四个通道方向的图像,将多个梯度图像输入到多层卷积神经网络,卷积神经网络从而学习图像的不同方向梯度的特征,再将不同方向的特征进行随机化特征融合,这样将具有差异性的图像特征信息进行融合,以便使得融合后的特征信息可以方便进行区分,提高图像的表达能力,对融合后的特征进行通道混洗,因此特征图的每一个区域都包含不同通道的特征,这样使得图像融合信息更有鲁棒性。
作为本发明进一步的方案:所述四通道多核卷积神经网络对番茄叶片图像分类效果依靠卷积核的大小,卷积核越大则卷积神经网络的感受野范围较广,这样方便番茄叶片图像全局信息分析,但是会使得图像细节特征被忽视,卷积核越小则图像细节特征越易获取,但是无法获得番茄叶片图像全局信息,因此为了获取图像的特征信息需要多卷积核,四通道卷积神经网络为每个通道设计不同的卷积核以便提取番茄叶片图像特征,四通道卷积神经网络方法是由四多个不同结构的卷积神经网络通道CNN1、CNN2、CNN3、CNN4组成,每个卷积神经网络具有三层卷积层、两层下采样层和一层全连接层。CNN1、CNN2通道分别输入为水平梯度方向、垂直梯度方向图像,之后依次进入3个卷积层进行特征提取,其卷积核大小为7、5、3,个数分别为30、40、50,移动步长分别为3、2、1,第一层、第二层卷积层之后的池化层采用最大池采样方法,池化窗口大小分别为5、5;池化步长分别为3、3,最后为3个全连接层,输出节点为18。CNN3、CNN4通道分别输入为45°、135°对角方向图像,之后依次进入3个卷积层进行特征提取,由于45°、135°对角方向的卷积核大小为9、7、5,个数分别为40、50、60,移动步长分别为4、3、2,第一层、第二层卷积层之后的池化层采用最大池采样方法,池化窗口大小分别为3、3;池化步长分别为2、2,最后为3个全连接层,输出节点为18,各个通道的激活函数均选择ReLU,采用Softmax对番茄叶片病害进行识别。
作为本发明进一步的方案:所述双重注意力机制的卷积神经网络将卷积神经网络的计算资源合理地分配到番茄叶片图像特征的分析过程中,数据计算量在不增加的同时进行网络深度加深,双重注意力由空间注意力、通道注意力组成,空间注意力主要关注病害区域并对无关信息进行降噪,同时使得卷积神经网络保持尺度不变性,空间注意力机制包括局部注意力机制、全局注意力机制,局部注意力机制主要注意图像的局部特征,全局注意力机制主要注意图像的整体特征,空间注意力使用局部-全局交替注意力机制,减少了数据计算量,通道注意力主要进行加强番茄叶片图像的有用特征抑制无用特征,卷积神经网络使用番茄叶片图像特征通道和空间维度进行预测,这样注意力对特征图的重点内容、位置得到注意,把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征;
计算公式为:
Mc(F)=σ{MLP[AvgPool(F)]+MLP[Max-Pool(F)]}
Ms(F)=σ{fN×M[AvgPool(F),MaxPool(F1)]}
式中:F为输入特征图,为点乘,Mc(F)为注意力运算,F1为输出特征图,Ms(F1)为在空间注意力运算,F2为空间注意力输出特征图,AvgPool为全局平均池化,MaxPool为全局最大池化,MLP为卷积神经网络的共享网络,最大池化和平均池化共享一个神经网络提取特征,σ为ReLU激活,fN×M为N×M卷积。
作为本发明进一步的方案:通过优化损失函数对数据进行优化损失;
优化损失函数如下:
由于番茄叶片病害识别属于单标签多分类方法,交叉熵函数计算分类损失:
式中:calss为样本标签,z=[z0,z1,…,zclass-1]为神经网络输出。
损失函数更新通过动量随机梯度下降法:
式中:γ为动量因子,t为训练轮数,mt为训练轮数t的动量,ωt为训练轮数t的学习率,θ为权重。
当γ=0时没有动量作用影响,当γ=1时动量惯性影响最强,在训练初始阶段,需要γ值较小,以便加速卷积神经网络优化,在训练结束阶段,较大的γ值能够提高番茄叶片病害的识别精度,因此卷积神经网络控制γ值随训练轮数增加而线性变大,通过训练轮数对γ更新为:
式中:γmax为0.95,γmin为0.05,tmax设置为300。
当t为1时,γ为最小值0.05,随着t的增加,γ线性随t的增加,最终γ达到最大值0.95,从而保证了动量因子的最优化。
权重更新为:
式中:τ为识别误差率,θt初始值为0.0001。
卷积神经网络训练过程中使用了历史梯度信息,计算较接近真实梯度,增强了方法的稳定性[12],通过非线性递减方式将ωt逐渐缩小,其变化公式为
式中:初始值ω1=0.001经过以上运算最终即可获得通道注意力特征图F1、空间注意力特征图F2。
作为本发明进一步的方案:所述步骤S102中番茄叶片病害识别采用如下两个方式进行采样区标定:
S1031、番茄叶片病害采样区标定
以病害部分为前景,通过K-means聚类方法划分出病害聚类区,每个病害聚类区为单独的封闭区域[13],由于番茄叶片有病害聚类区,则该封闭区域的形心为采样正方形的中心点,假设采样为边长100个像素单位的正方形,则:
式中:xi为病害聚类区横坐标,yi为病害聚类区纵坐标,Ai为病害聚类区的像素数。
当进行病害聚类时,由于病害离各自聚类中心距离不同导致出现多个聚类区,一般取聚类中心最靠前的四个区域为当前番茄叶片图像的病害采样区;
S1032、番茄叶片病害边缘特征值
通过边缘特征统计值避免图像噪声的影响,边缘特征值公式为:
与现有技术相比,本发明的有益效果是:
本方法对卷积神经网络方法进行了改进,通过多通道多核提取图像信息,同时加入双重注意力机制关注图像全局、局部特征,实验仿真显示本方法方法对番茄叶片病害黄叶卷曲病、花叶病、蜘蛛螨、七星斑、叶霉菌、早疫病识别正确率、消耗时间优于其他方法。
附图说明
图1为本发明中四通道方向的图像;
图2为本发明中ωt随t变化图;
图3为本发明的识别方法流程。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1~3,本发明实施例中,一种基于改进卷积神经网络的番茄叶片病害识别方法,包括如下步骤:
S101、获取番茄叶片病害图像数据集并开展预处理,形成番茄叶片病害分类识别,得到试验数据训练集和测试集;
S102、通过改进卷积神经网络方法和预训练参数构建方法模型,对训练集的图像特征进行提取,进行番茄叶片病害识别模型的训练,获得待识别番茄叶片病害图像。
本实施例中,所述步骤S102中的改进卷积神经网络包括四通道多核卷积神经网络和双重注意力机制的卷积神经网络。
本实施例中,所述四通道多核卷积神经网络将番茄叶片通过Sobel算子得到水平方向、垂直方向及45°、135°对角方向的四个梯度图像,即获得四个通道方向的图像,将多个梯度图像输入到多层卷积神经网络,卷积神经网络从而学习图像的不同方向梯度的特征,再将不同方向的特征进行随机化特征融合,这样将具有差异性的图像特征信息进行融合,以便使得融合后的特征信息可以方便进行区分,提高图像的表达能力,对融合后的特征进行通道混洗,因此特征图的每一个区域都包含不同通道的特征,这样使得图像融合信息更有鲁棒性。
本实施例中,所述四通道多核卷积神经网络对番茄叶片图像分类效果依靠卷积核的大小,卷积核越大则卷积神经网络的感受野范围较广,这样方便番茄叶片图像全局信息分析,但是会使得图像细节特征被忽视,卷积核越小则图像细节特征越易获取,但是无法获得番茄叶片图像全局信息,因此为了获取图像的特征信息需要多卷积核,四通道卷积神经网络为每个通道设计不同的卷积核以便提取番茄叶片图像特征,四通道卷积神经网络方法是由四多个不同结构的卷积神经网络通道CNN1、CNN2、CNN3、CNN4组成,每个卷积神经网络具有三层卷积层、两层下采样层和一层全连接层。CNN1、CNN2通道分别输入为水平梯度方向、垂直梯度方向图像,之后依次进入3个卷积层进行特征提取,其卷积核大小为7、5、3,个数分别为30、40、50,移动步长分别为3、2、1,第一层、第二层卷积层之后的池化层采用最大池采样方法,池化窗口大小分别为5、5;池化步长分别为3、3,最后为3个全连接层,输出节点为18。CNN3、CNN4通道分别输入为45°、135°对角方向图像,之后依次进入3个卷积层进行特征提取,由于45°、135°对角方向的卷积核大小为9、7、5,个数分别为40、50、60,移动步长分别为4、3、2,第一层、第二层卷积层之后的池化层采用最大池采样方法,池化窗口大小分别为3、3;池化步长分别为2、2,最后为3个全连接层,输出节点为18,各个通道的激活函数均选择ReLU,采用Softmax对番茄叶片病害进行识别。
本实施例中,所述双重注意力机制的卷积神经网络将卷积神经网络的计算资源合理地分配到番茄叶片图像特征的分析过程中,数据计算量在不增加的同时进行网络深度加深,双重注意力由空间注意力、通道注意力组成,空间注意力主要关注病害区域并对无关信息进行降噪,同时使得卷积神经网络保持尺度不变性,空间注意力机制包括局部注意力机制、全局注意力机制,局部注意力机制主要注意图像的局部特征,全局注意力机制主要注意图像的整体特征,空间注意力使用局部-全局交替注意力机制,减少了数据计算量,通道注意力主要进行加强番茄叶片图像的有用特征抑制无用特征,卷积神经网络使用番茄叶片图像特征通道和空间维度进行预测,这样注意力对特征图的重点内容、位置得到注意,把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征;
计算公式为:
Mc(F)=σ{MLP[AvgPool(F)]+MLP[Max-Pool(F)]}
Ms(F)=σ{fN×M[AvgPool(F),MaxPool(F1)]}
式中:F为输入特征图,为点乘,Mc(F)为注意力运算,F1为输出特征图,Ms(F1)为在空间注意力运算,F2为空间注意力输出特征图,AvgPool为全局平均池化,MaxPool为全局最大池化,MLP为卷积神经网络的共享网络,最大池化和平均池化共享一个神经网络提取特征,σ为ReLU激活,fN×M为N×M卷积。
本实施例中,通过优化损失函数对数据进行优化损失;
优化损失函数如下:
由于番茄叶片病害识别属于单标签多分类方法,交叉熵函数计算分类损失:
式中:calss为样本标签,z=[z0,z1,…,zclass-1]为神经网络输出。
损失函数更新通过动量随机梯度下降法:
式中:γ为动量因子,t为训练轮数,mt为训练轮数t的动量,ωt为训练轮数t的学习率,θ为权重。
当γ=0时没有动量作用影响,当γ=1时动量惯性影响最强,在训练初始阶段,需要γ值较小,以便加速卷积神经网络优化,在训练结束阶段,较大的γ值能够提高番茄叶片病害的识别精度,因此卷积神经网络控制γ值随训练轮数增加而线性变大,通过训练轮数对γ更新为:
式中:γmax为0.95,γmin为0.05,tmax设置为300。
当t为1时,γ为最小值0.05,随着t的增加,γ线性随t的增加,最终γ达到最大值0.95,从而保证了动量因子的最优化。
权重更新为:
式中:τ为识别误差率,θt初始值为0.0001。
卷积神经网络训练过程中使用了历史梯度信息,计算较接近真实梯度,增强了方法的稳定性[12],通过非线性递减方式将ωt逐渐缩小,其变化公式为
式中:初始值ω1=0.001经过以上运算最终即可获得通道注意力特征图F1、空间注意力特征图F2。
本实施例中,所述步骤S102中番茄叶片病害识别采用如下两个方式进行采样区标定:
S1031、番茄叶片病害采样区标定
以病害部分为前景,通过K-means聚类方法划分出病害聚类区,每个病害聚类区为单独的封闭区域[13],由于番茄叶片有病害聚类区,则该封闭区域的形心为采样正方形的中心点,假设采样为边长100个像素单位的正方形,则:
式中:xi为病害聚类区横坐标,yi为病害聚类区纵坐标,Ai为病害聚类区的像素数。
当进行病害聚类时,由于病害离各自聚类中心距离不同导致出现多个聚类区,一般取聚类中心最靠前的四个区域为当前番茄叶片图像的病害采样区;
S1032、番茄叶片病害边缘特征值
通过边缘特征统计值避免图像噪声的影响,边缘特征值公式为:
本实施例中,从附图2可以看出:当损失函数变化非常小或不变化了,通过学习率使得损失函数进一步下降,避免了损失函数被过度优化,学习率越来越小,从而保证了方法的最终收敛。
使用改进卷积神经网络方法对番茄叶片病害识别,四通道多核卷积神经网络对番茄叶片病害多特征进行提取,双重注意力对特征图的内容、位置进行关注,仿真验证了方法的有效性。主要通过对卷积神经网络方法进行了改进,采用多通道多核提取图像信息,同时加入双重注意力机制关注图像全局、局部特征,实验仿真显示本方法方法对番茄叶片病害黄叶卷曲病、花叶病、蜘蛛螨、七星斑、叶霉菌、早疫病识别正确率、消耗时间优于其他方法。
本实施例中,各种方法对番茄病害黄叶卷曲病、花叶病、蜘蛛螨、七星斑、叶霉菌、早疫病单张图像识别检测平均消耗时间如下表所示:
表2识别检测平均消耗时间(s/t)
从上表结果可以看出改进卷积神经网络方法对各种病害识别检测平均消耗时间表现更优,方法消耗占用内存较少,同时证识别准确率较高。
本方法对卷积神经网络方法进行了改进,通过四通道输入番茄叶片图像,卷积神经网络从而学习图像的不同方向梯度的特征,双重注意力机制提升了卷积神经网络方法搜索能力,能够使得识别正确率提高,实验仿真显示本方法方法对番茄叶片病害黄叶卷曲病、花叶病、蜘蛛螨、七星斑、叶霉菌、早疫病识别正确率、消耗时间优于其他方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于改进卷积神经网络的番茄叶片病害识别方法,其特征在于:包括如下步骤:
S101、获取番茄叶片病害图像数据集并开展预处理,形成番茄叶片病害分类识别,得到试验数据训练集和测试集;
S102、通过改进卷积神经网络方法和预训练参数构建方法模型,对训练集的图像特征进行提取,进行番茄叶片病害识别模型的训练,获得待识别番茄叶片病害图像。
2.根据权利要求1所述的一种基于改进卷积神经网络的番茄叶片病害识别方法,其特征在于:所述步骤S102中的改进卷积神经网络包括四通道多核卷积神经网络和双重注意力机制的卷积神经网络。
3.根据权利要求2所述的一种基于改进卷积神经网络的番茄叶片病害识别方法,其特征在于:所述四通道多核卷积神经网络将番茄叶片通过Sobel算子得到水平方向、垂直方向及45°、135°对角方向的四个梯度图像,即获得四个通道方向的图像,将多个梯度图像输入到多层卷积神经网络,卷积神经网络从而学习图像的不同方向梯度的特征,再将不同方向的特征进行随机化特征融合。
4.根据权利要求2所述的一种基于改进卷积神经网络的番茄叶片病害识别方法,其特征在于:所述四通道多核卷积神经网络对番茄叶片图像分类效果依靠卷积核的大小,四通道卷积神经网络为每个通道设计不同的卷积核以便提取番茄叶片图像特征,四通道卷积神经网络方法是由四多个不同结构的卷积神经网络通道CNN1、CNN2、CNN3、CNN4组成,每个卷积神经网络具有三层卷积层、两层下采样层和一层全连接层。CNN1、CNN2通道分别输入为水平梯度方向、垂直梯度方向图像,之后依次进入3个卷积层进行特征提取,其卷积核大小为7、5、3,个数分别为30、40、50,移动步长分别为3、2、1,第一层、第二层卷积层之后的池化层采用最大池采样方法,池化窗口大小分别为5、5;池化步长分别为3、3,最后为3个全连接层,输出节点为18,CNN3、CNN4通道分别输入为45°、135°对角方向图像,之后依次进入3个卷积层进行特征提取,由于45°、135°对角方向的卷积核大小为9、7、5,个数分别为40、50、60,移动步长分别为4、3、2,第一层、第二层卷积层之后的池化层采用最大池采样方法,池化窗口大小分别为3、3;池化步长分别为2、2,最后为3个全连接层,输出节点为18,各个通道的激活函数均选择ReLU,采用Softmax对番茄叶片病害进行识别。
5.根据权利要求2所述的一种基于改进卷积神经网络的番茄叶片病害识别方法,其特征在于:所述双重注意力机制的卷积神经网络将卷积神经网络的计算资源合理地分配到番茄叶片图像特征的分析过程中,数据计算量在不增加的同时进行网络深度加深,双重注意力由空间注意力、通道注意力组成,空间注意力主要关注病害区域并对无关信息进行降噪,同时使得卷积神经网络保持尺度不变性;
空间注意力机制包括局部注意力机制、全局注意力机制,局部注意力机制主要注意图像的局部特征,全局注意力机制主要注意图像的整体特征,空间注意力使用局部-全局交替注意力机制,减少了数据计算量,通道注意力主要进行加强番茄叶片图像的有用特征抑制无用特征,卷积神经网络使用番茄叶片图像特征通道和空间维度进行预测,把注意力特征图与卷积神经网络的中间特征图相乘可以更新已学到的特征;
计算公式为:
Mc(F)=σ{MLP[AvgPool(F)]+MLP[Max-Pool(F)]}
Ms(F)=σ{fN×M[AvgPool(F),MaxPool(F1)]}
6.根据权利要求1所述的一种基于改进卷积神经网络的番茄叶片病害识别方法,其特征在于:通过优化损失函数对数据进行优化损失;
优化损失函数如下:
由于番茄叶片病害识别属于单标签多分类方法,交叉熵函数计算分类损失:
式中:calss为样本标签,z=[z0,z1,…,zclass-1]为神经网络输出;
损失函数更新通过动量随机梯度下降法:
式中:γ为动量因子,t为训练轮数,mt为训练轮数t的动量,ωt为训练轮数t的学习率,θ为权重;
当γ=0时没有动量作用影响,当γ=1时动量惯性影响最强,在训练初始阶段,需要γ值较小,以便加速卷积神经网络优化,在训练结束阶段,较大的γ值能够提高番茄叶片病害的识别精度,因此卷积神经网络控制γ值随训练轮数增加而线性变大,通过训练轮数对γ更新为:
式中:γmax为0.95,γmin为0.05,tmax设置为300;
当t为1时,γ为最小值0.05,随着t的增加,γ线性随t的增加,最终γ达到最大值0.95,从而保证了动量因子的最优化;
权重更新为:
式中:τ为识别误差率,θt初始值为0.0001;
卷积神经网络训练过程中使用了历史梯度信息,计算较接近真实梯度,增强了方法的稳定性[12],通过非线性递减方式将ωt逐渐缩小,其变化公式为
式中:初始值ω1=0.001经过以上运算最终即可获得通道注意力特征图F1、空间注意力特征图F2。
7.根据权利要求1所述的一种基于改进卷积神经网络的番茄叶片病害识别方法,其特征在于:所述步骤S102中番茄叶片病害识别采用如下两个方式进行采样区标定:
S1031、番茄叶片病害采样区标定
以病害部分为前景,通过K-means聚类方法划分出病害聚类区,每个病害聚类区为单独的封闭区域[13],由于番茄叶片有病害聚类区,则该封闭区域的形心为采样正方形的中心点,假设采样为边长100个像素单位的正方形,则:
式中:xi为病害聚类区横坐标,yi为病害聚类区纵坐标,Ai为病害聚类区的像素数;
当进行病害聚类时,由于病害离各自聚类中心距离不同导致出现多个聚类区,一般取聚类中心最靠前的四个区域为当前番茄叶片图像的病害采样区;
S1032、番茄叶片病害边缘特征值
通过边缘特征统计值避免图像噪声的影响,边缘特征值公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211241047.8A CN116206304A (zh) | 2022-10-11 | 2022-10-11 | 一种基于改进卷积神经网络的番茄叶片病害识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211241047.8A CN116206304A (zh) | 2022-10-11 | 2022-10-11 | 一种基于改进卷积神经网络的番茄叶片病害识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116206304A true CN116206304A (zh) | 2023-06-02 |
Family
ID=86513617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211241047.8A Pending CN116206304A (zh) | 2022-10-11 | 2022-10-11 | 一种基于改进卷积神经网络的番茄叶片病害识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206304A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095240A (zh) * | 2023-10-16 | 2023-11-21 | 之江实验室 | 一种基于细粒度特征的叶片分类方法和系统 |
-
2022
- 2022-10-11 CN CN202211241047.8A patent/CN116206304A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095240A (zh) * | 2023-10-16 | 2023-11-21 | 之江实验室 | 一种基于细粒度特征的叶片分类方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510741B (zh) | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 | |
CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
CN109410575B (zh) | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 | |
Li et al. | Deep learning-based classification methods for remote sensing images in urban built-up areas | |
CN109034224B (zh) | 基于双分支网络的高光谱分类方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN111582225B (zh) | 一种遥感图像场景分类方法及装置 | |
CN110827543A (zh) | 一种基于深度学习和时空数据融合的短时交通流控制方法 | |
CN109800629A (zh) | 一种基于卷积神经网络的遥感图像目标检测方法 | |
CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN113705880A (zh) | 基于时空注意力图卷积网络的交通速度预测方法和装置 | |
CN105354273A (zh) | 一种快速检索高速公路逃费车辆高相似度图像的方法 | |
CN111814685A (zh) | 基于双支路卷积自编码器的高光谱图像分类方法 | |
CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
CN113222316A (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
CN111832479B (zh) | 基于改进的自适应锚点r-cnn的视频目标检测方法 | |
CN114821340A (zh) | 一种土地利用分类方法及系统 | |
CN116206304A (zh) | 一种基于改进卷积神经网络的番茄叶片病害识别方法 | |
CN109344777A (zh) | 基于elm的高光谱遥感影像土地利用覆盖的优化分类方法 | |
CN115544239A (zh) | 一种基于深度学习模型的布局偏好预测方法 | |
CN116580322A (zh) | 一种地面背景下无人机红外小目标检测方法 | |
CN114488069A (zh) | 基于图神经网络的雷达高分辨率距离像识别方法 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 |
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 |