[发明专利]基于深度卷积神经网络的番茄病害识别方法

权利要求书

1.基于深度卷积神经网络的番茄病害识别方法，其特征在于：包括以下步骤：

(1)、扩充数据集

从AI CHALLENGER官方网站下载农业病害数据集，创建数据集，并通过官方的JSON文件对所有的农作物病害图片进行筛选，筛选出全部的番茄病害图片，创建番茄病害数据集；

提出了6种不同的增强方法对数据集进行扩充，数据增强方法之间扩充比例为1:1:1:1:1:5；

(2)、对图像数据集进行相关预处理；

由于数据集中的图片并不能直接用于网络模型的训练，需对数据集进行相关的预处理，预处理的步骤如下；

步骤2.1、将图像压缩到256*256的尺寸；

步骤2.2、对图像数据集中每张图像裁剪到224，有50％几率对图像随机进行水平、竖直翻转；

步骤2.3、将图像数据集随机生成10份数据集，每份数据集包含不同的训练集与验证集；训练集的数据占所有数据的90％，验证集的数据占所有数据的10％；

(3)、构建Residual 56 Attention Network网络模型，

获取到预处理后的数据集后，构建Residual 56 Attention网络，该Residual 56Attention网络模型的主干结构是由3个Attention module模块以及4个Residual交替拼接而成；网络模型的结构主体仍然是基于Residual Unit的Resnet网络结构；在网络的残差块部分位置加入另外的分支，构成一个整体的Attention Module；一个Attention Module分为两个分支，右边的分支就是普通的卷积网络，即主干分支，叫做Trunk Branch；左边的分支是为了得到一个掩码Mask，该掩码Mask的作用是得到输入特征的Attention Map，所以叫做Mask Branch，这个Mask Branch包含Down Sample和Up Sample的过程，目的是为了保证和右边分支的输出大小一致；在原有的Residual 56 Attention的所有的激活函数层均使用ELU函数作为激活函数；

Residual 56 Attention模型的最后一层为一个输出的全连接层，输出分类结果；

(4)、使用预处理后的数据集训练自己的网络模型；

构建好Residual 56 Attention网络模型后，开始使用自己的预处理后的数据集训练最优网络模型并自动保存；

步骤4.1、模型的训练方法采用标准的Adam优化算法对模型进行训练优化，训练时的batch size为32；

步骤4.2、训练120个epoch，让模型在训练过程中更关注目标区域；每个epoch之后模型都会对验证集进行验证，记录模型验证的准确率并输出；通过交叉验证进行训练，生成最终的模型作为最后结果；初始的学习率为0.001，在当前的学习率下，当验证数据集的训练轮数达到6次的同时标准评估停止提升时，降低学习速率，学习率将降低为当前学习率的0.1倍；

步骤4.3、保存最优模型，使用测试集的数据对模型分类的准确率做出评价。

2.根据权利要求1所述的基于深度卷积神经网络的番茄病害识别方法，其特征在于：训练平台基于Ubuntu系统，在Ubuntu系统上使用Keras深度学习框架实现；训练的GPU为一块GTX1080Ti，并使用CUDA作为显卡的运算驱动。

3.根据权利要求1所述的基于深度卷积神经网络的番茄病害识别方法，其特征在于：采用深度神经网络Residual 56 Attention，ResNet通过残差学习解决深度网络的退化问题，以训练出更深的网络的同时节省大量资源占用；ResNet-Attention 56在ResNet基础上引入了Attention机制，同时Residual 56 Attention的所有的激活函数层均使用ELU函数作为激活函数；在ResNet中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上。

4.根据权利要求1所述的基于深度卷积神经网络的番茄病害识别方法，其特征在于：将输入的番茄病害图片压缩到256*256的尺寸，加快模型的训练，采用六种图像增强方式对数据集进行扩充，六种图像增强的数据集的比例为1:1:1:1:1:5；同时所有数据在进入模型前都做了批量正则化处理与随机裁剪。