[发明专利]基于卷积神经网络的苹果树干病害识别与分类方法

权利要求书

1.基于卷积神经网络的苹果树干病害识别与分类方法，其特征在于，包括以下步骤：

步骤一：收集的苹果树干病害图片进行预处理：通过拍摄装置实地拍摄苹果树干病害图片，并通过人工判断的方法去除病害区域阴影重叠的图片，在保持长宽比的同时，调整图像的大小，使得长宽尺寸相同，随机裁剪到224×224；

步骤二：使用翻转变换和镜像对称扩展图像数据集，对图片进行水平翻转，垂直翻转，镜像翻转和添加噪声，得到扩充后的苹果树干病害数据集图片；

步骤三：基于预训练模型微调的VGG19模型，利用Focalloss损失函数替换VGG19最后一层的Softmax损失函数，其中，前16层的卷积层对输入图像进行从低到高的图像特征自学习，其中更加深层的卷积层降低特征图的分辨率，并且提取更抽象的高层特征，最后两个的FC6和FC7的全连接层获取到复杂的综合特征信息，而损失函数层，则采用基于交叉熵损失函数的Focalloss损失函数来替换传统的Softmax损失函数；

步骤四：利用扩充后的苹果树干病害数据集图片，将输入的苹果树干病害数据集图像调整为预设值来训练改进后的VGG19模型，提取病害图像的特征，得到特征提取模型，再通过所述特征提取模型提取树干的病害特征，最后保存算法模型作为用于对实地实时拍摄图片做出预测的卷积神经网络模型；

步骤五：通过拍摄装置采集树干图像，再通过无线装置将拍摄的树干图片传输至远程数据终端，远程数据终端使用步骤四中得到的卷积神经网络模型测试采集的图片并做出树干病害的识别和分类。

2.根据权利要求1所述的基于卷积神经网络的苹果树干病害识别与分类方法，其特征在于，定义的Focalloss损失函数经过如下步骤获得:

S1、Softmax损失函数可表示为：

其中，yi表示第i个样本的标签，s_j表示分类得分向量s的第j个元素；

S2、Centerloss的定义公式如下：

其中yi表示第i个样本的标签，x_i表示提取的特征，c_yi表示第i个样本的类别；

S3、将Centerloss直接添加到Softmax损失函数，得到：

其中L_s表示Softmax损失函数，L_c表示中心损失函数，λ用于平衡两个损失函数的权重,范围在0到1之间，两种函数基于配合权重从而联合进行训练，loss的权重为λ，若λ＝0，表示损失函数部分只有Softmax函数，若λ＝1，表示损失函数部分只有Centerloss函数；

S4、对于二分类问题模型，公式如下：

其中p表示概率，y的值是1或-1，p的范围为0到1；

S5、用P_t代替p，得到公式：

S6、将交叉熵损失函数改写为CE(p,y)＝CE(P_t)＝-log(P_t)；

S7、为了使定义的损失函数在交叉熵损失中增加一个调节因子(1-P_t)^γ，使之具有可调性，最后得到Focalloss损失函数为：

FL(P_t)＝-(1-P_t)^γlog(P_t)；

其中(1-P_t)^γ称为调制系数,参数γ≥0。

3.根据权利要求1所述的基于卷积神经网络的苹果树干病害识别与分类方法，其特征在于，所述无线装置为NB-IOT无线收发器，且所述远程数据终端包括用于负责处理、运算硬件内部的所有数据的中央处理器模块，用于显示硬件系统所处的状态信息，并且能够及时显示终端识别和判断病害类别信息的液晶显示屏装置。