[发明专利]一种基于改进全卷积神经网络的大田作物病虫害识别方法

说明书

一种基于改进全卷积神经网络的大田作物病虫害识别方法，先将病虫害图像进行人工标注、裁剪，将裁剪图像划分为训练、验证集；对训练、验证集进行数据增广操作，然后求平均，再从增广训练、验证集图像的输入中减去对应像素位置的均值，然后作置乱处理，形成最后增广训练、验证集；建立改进的全卷积神经网络模型，利用最后增广训练集图像对改进全卷积神经网络模型进行预训练和二阶训练得到最终的全卷积神经网络模型，利用最后增广验证集图像对最终的全卷积神经网络模型评估，使用全尺寸的作物叶片图像作为输入，在评估过的最终的全卷积神经网络模型输出的特征图上检测病害；本发明具有较高的识别准确率，且减少了网络模型的所需内存和训练时间。

技术领域

本发明涉及农业病虫害识别技术领域，尤其涉及一种基于改进全卷积神经网络(FCN)的大田作物病虫害识别方法。

背景技术

植物病虫害一直是农业生产领域的重大自然灾害之一，及时检测到病虫害的发生可以减少大量的经济损失。传统的病虫害检测主要依靠人工目测进行判断，这种方法耗时耗力且准确率较低。随着计算机视觉技术的发展，许多研究人员利用机器学习的方法对不同植物病虫害的类别进行识别，但算法复杂度较高而且模型的泛化能力较差。近年来深度学习技术在计算机视觉领域得到了许多应用，但现有的基于深度学习的植物病虫害识别方法在复杂背景下识别率较低，而且需要大量的内存空间和较长的模型训练时间。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于改进全卷积神经网络的大田作物病虫害识别方法，具有较高的识别准确率，而且减少了网络模型的所需内存和训练时间。

为了达到上述目的，本发明采取的技术方案为：

一种基于改进全卷积神经网络的大田作物病虫害识别方法，包括以下步骤：

步骤1：利用在大田间布置的高清摄像机对作物进行每隔30s拍照一次，实时采集大田作物的病虫害图像；将病虫害图像利用图像标注工具进行人工标注得到标注图像，大田作物像素标注为1，背景像素标注为0；

步骤2：对标注图像进行预处理，使标注图像能够裁剪为整数子图像，先对标注图像进行边缘补黑操作，再对补黑后的标注图像进行裁剪得到裁剪图像，将所有裁剪图像划分为训练集和验证集；

步骤3：对训练集和验证集进行数据增广操作，每一张裁剪图像经过亮度调整、颜色抖动、图像反转以及角度变换4种操作得到增广训练集和增广验证集；

步骤4：对所有增广训练集和增广验证集图像求平均，再从所有增广训练集和增广验证集图像的输入中减去对应像素位置的均值，然后对得到的所有图像进一步作置乱处理，形成最后增广训练集和最后增广验证集；

步骤5：建立改进的全卷积神经网络模型：改进的全卷积神经网络是在VGG-16卷积神经网络模型的基础上修改而成，将原有VGG-16网络模型中的全连接层替换为卷积层，将原有的RELU激活函数替换为ELU激活函数，取消原有的Soft Max分类器，使用SVM分类器作为分类层，在使用分类层完成对输入图像的像素分类后，利用反卷积恢复图像分辨率，得到精细化分类结果；改进的全卷积神经网络基本结构包括8个卷积层Conv1～Conv8、3个池化层Pool1～Pool3、1个反卷积层；为了保证网络各层输出的非线性，每个卷积层都要经过一个非线性激活函数ELU，全卷积神经网络FCN要学习的参数来自于每个卷积层的卷积核；

步骤6：利用步骤4得到的最后增广训练集图像对步骤5建立的改进的全卷积神经网络模型进行预训练，通过预训练得到模型的初步权重参数和病虫害图像轮廓图；将初步权重参数和病虫害图像轮廓图和步骤4得到的最后训练集图像再次输入改进的全卷积神经网络模型中进行二阶训练得到最终的全卷积神经网络模型；最终的全卷积神经网络模型中的卷积层得到输入图像的特征图，非线性激活函数得到输入图像的非线性特征图；