[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

说明书

本发明公开了基于卷积神经网络的苹果树干病害识别与分类方法。将苹果树干的病害图片进行实地采集，考虑到拍摄位置，空间以及光线对图片质量的影响，对数据集进行了扩充，既能提高准确率的同时，更多的考虑到实际情况给卷积神经网络模型带来的负面影响。与人工判断病害费时费力，以及不稳定性相比，只需要借助一定的硬件模块并结合卷积神经网络模型就能准确的识别病害并做出及时的反馈和针对措施，不但节省人力和物力，还能最大化果园的经济效益。

技术领域

本发明涉及果树病害防治领域，具体涉及基于卷积神经网络的苹果树干病害识别与分类方法。

背景技术

苹果树干的轮纹病和腐烂病是世界性的苹果灾害，是影响苹果质量和产量的主要威胁因素。苹果树干病害严重影响了苹果的质量和产量，给果农造成了严重的经济损失。传统的苹果树干病害识别与分类方法过于依赖于个人的经验和肉眼观察，费时费力，不适合大面积果园的病害管理。

因此提出一个基于深度学习的卷积神经网络模型实现对苹果树干病害识别的方法，它可以使用神经网络的优势提取病害部分的特征，用深度学习的方法对目标病害区域实现识别与分类，能快最快速的对苹果树干病害进行有效的治理措施。

发明内容

为了解决上述的技术问题，本发明的目的在于提供基于卷积神经网络的苹果树干病害识别与分类方法。

本发明所要解决的技术问题为：

(1)如何对树干病害图片进行识别与分类。

本发明的目的可以通过以下技术方案实现：

基于卷积神经网络的苹果树干病害识别与分类方法，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。

进一步的，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；