[发明专利]基于改进VGG19网络的玉米5种旱情识别方法

权利要求书

1.一种基于改进VGG19网络的玉米5种旱情识别方法，其特征是，通过视觉几何组VGG19人工神经网络建立作物旱情识别模型，通过迁移学习的方法将参数共享到该模型中，优化全连接层的层数和参数，在全连接层后用5分类的归一化指数SoftMax的分类器进行分类，对模型进行训练并进行测试。

2.如权利要求1所述的基于改进VGG19网络的玉米5种旱情识别方法，其特征是，具体步骤细化如下：

步骤1对图像进行预处理：

(1)将玉米图像大小从640×480缩放为197×197后再对图像进行0.75-1.25倍随机缩放；

(2)随机旋转图像15度；

(3)对颜色通道进行随机转换；

(4)对图像水平方向随机翻折

(5)对图像进行归一化处理；

步骤2迁移学习：

VGG19网络通过100万幅图像的数据库训练得到，将一层层网络中卷积层和池化层每个节点的权重从一个训练好的网络迁移到一个全新的网络中，迁移之后的网络称为预训练模型，在预训练模型的基础上进行优化，解决玉米旱情识别问题；

步骤3冻结中间层：

冻结卷积层和池化层，其中，卷积结果计算公式如下：

其中x为接受域(m，n)的二维向量，w是长为j,宽为i的卷积核，b是输出所加的偏执项；m是二维向量的长，n是二维向量的宽，f为激活函数；

步骤4优化全连接层层数：

在卷积层和池化层后添加4个全连接层，第1个全连接层神经元个数为4096个，第2个全连接层神经元个数为4096个，第3个全连接层神经元个数为1000个，第4个全连接层神经元个数为1024个；

步骤5添加分类器：

针对玉米旱情识别需求，在全连接层后使用一个5分类的Softmax分类器对玉米旱情进行分类，逻辑斯蒂(Logistic)回归模型计算公式如下：

g(x)＝w₀+w₁x₁+w₂x₂+…+w_nx_n

其中向量x＝(x₁,x₂,…,x_n)由n个独立变量组成，P(y＝1|x)代表事件x发生的可能性；

当Logistic回归模型应用到多分类问题中就产生了SoftMax分类器。SoftMax分类器输入为样本特征，输出为样本属于各个类别的概率，训练样本集由k个被标签的样本构成：T＝{(x₍₁₎,y₍₁₎),(x₍₂₎,y₍₂₎),…,(x_(k),y_(k))}

其中y_(u)是分类标签，是x_(u)样本类别；

单个样本是第k类的概率为：

P(y＝j|x)(j＝1,2,…,k)

其中j代表不同样本类别；

步骤6模型训练与测试。

3.如权利要求1或2所述的基于改进VGG19网络的玉米5种旱情识别方法，其特征是，VGG19模型中共含有16个卷积层，5个池化层，4个全连接层和1个5分类的Softmax分类器，其中卷积层和全连接层的激活函数选择线性整流函数，优化函数选用自适应时刻方法，损失函数选用交叉熵函数，输入的玉米植株图像首先经过两个卷积层后进入第一个池化层，然后经过两个卷积层后进入第二个池化层，再经过四个卷积层后进入第三个池化层，之后经过四个卷积层后进入第四个池化层，最后经过四个卷积层后进入第五个池化层，经过池化层后图像通过四个全连接层后进入5分类的Softmax分类器，分类器输出最大值对应的类别即为玉米植株干旱程度类别，从玉米数据集中随机抽出70％作为训练集，20％作为验证集，10％作为测试集，对模型进行训练、改进与测试。为减小系统压力，每次读取32张图像，分158次读取完成，学习过程中根据优化函数不断更新权重，随着权重的变化，损失函数值越来越小，识别正确率越来越高，将学习率设为0.05并重复训练9次得到识别模型，重复上述操作10次，对识别模型正确率取平均值。