[发明专利]一种基于深度学习的农作物病害检测算法

权利要求书

1.一种基于深度学习的农作物病害检测算法，其特征在于，包括如下步骤：

(1)图像采集，利用摄像头对农作物叶子进行拍摄，获取相关的数据集并对图像重命名，如1.jpg，2.jpg，3.jpg，…，M.jpg等，同时标定每张图像中农作物病害种类；

(2)图像划分，将图像划分成训练集和测试集两部分，两个部分不存在相同的图像，训练集用来训练农作物病害检测模型，测试集用来评估农作物病害检测模型的性能；

(3)图像预处理，统计各类图像的数量并对数量较少的图像进行过采样，对全部图像都进行线上数据增强，包括随机灰度化、左右翻转、上下翻转、对角线翻转、随机裁剪和亮度变化；

(4)训练检测模型，将经过图像预处理后的训练集图像通过有差异性学习速率的迁移学习和以Focal Loss为损失函数的自适应多尺度resnet50网络，对得到的预测结果与真实标签进行对比计算分类损失，通过带动量的梯度下降算法更新模型参数；

(5)农作物病害图像检测，将测试集中的图像输入到训练好的农作物病害检测模型中，通过前向传播得到该图像的农作物病害类型。

2.根据权利要求1所述的一种基于深度学习的农作物病害检测算法，其特征是：

所述步骤(4)中训练包括有差异性学习速率的迁移学习步骤、连结全局最大池化和全局平均池化的步骤、自适应多尺度图像训练的步骤、渐进式学习步骤、计算Focal Loss步骤和利用带动量的梯度下降算法反向传播训练模型步骤。

3.根据权利要求2所述的一种基于深度学习的农作物病害检测算法，其特征是：所述步骤(4)具体为：

(4.1)利用在ImageNet数据集上训练的模型初始化检测网络的参数，同时浅层的卷积网络中使用较小的学习速率进行学习，较深层的卷积网络中使用较大的学习速率进行学习，最后的全连接层使用更大的学习速率进行学习，即采用一种差异性学习速率的迁移学习；

(4.2)在卷积层最后使用全局最大池化层和全局平均池化层进行连结，通过这种方式使得模型具有自适应多尺寸特性，可以输入不同尺寸的图像进行训练；

(4.3)采用渐进式学习方式，即在初始的几个迭代周期使用分辨率较小的图像进行训练，接下来几个迭代周期使用分辨率较大的图像进行训练，最后的几个迭代周期使用分辨率更大的图像进行训练；

(4.4)输入图像通过前向传播得到预测的类别，预测的类别与真实的类别对比计算Focal Loss，并通过带动量的梯度下降算法反向传播更新模型参数。

4.根据权利要求1所述的一种基于深度学习的农作物病害检测算法，其特征是，所述步骤(5)具体为：将测试集中的农作物病害图像输入到训练好的检测模型中，通过前向传播获得该图像的病害类型。