[发明专利]基于掩码卷积神经网络的植物叶片病害识别方法

权利要求书

1.一种基于掩码卷积神经网络的植物叶片病害识别方法，其特征在于，包括如下：

(1)对原数据集依次进行增强，扩充和语义分割，得到训练和测试的图像集及掩码集；

(2)对Mask R-CNN网络进行优化：即在Mask R-CNN网络ROI Align后的全卷积层和mask分支之间增加病害特征筛选模块；

(3)对优化后的Mask R-CNN网络进行训练：

(3a)设置主要的网络参数：

在ResNet50和ResNet101这两个残差网络中选取主干网络；

设置epoch的大小和每个epoch训练的步数；

设置病害叶片在病害特征筛选模块的接收阈值T₀，其余参数为Mask R-CNN的默认值；

(3b)根据已知的分类误差L_cls、检测误差L_box和分割误差L_mask，确定优化后的Mask R-CNN网络损失函数为：L_loss＝L_cls+L_box+L_mask；

(3c)将训练图像集和训练掩码集输入到优化后的Mask R-CNN网络中进行训练，得到训练后的模型，实现如下：

(3c1)初始化(3a)中的网络参数，将训练图像集D₅和训练掩码集D₇输入到优化后的MaskR-CNN网络中；

(3c2)通过训练残差网络提取D₅中的特征，得到特征图谱F₀；

(3c3)将特征图谱F₀输入到区域推荐生成网络RPN，得到目标区域的前景F₁和背景F₂；

(3c4)使用ROI Align方法将目标区域的前景F₁映射到特征图谱F₀的对应位置，生成固定大小的特征图F₃；

(3c5)将特征图F₃通过全卷积层得到目标分类结果和目标检测的结果，并计算分类误差L_cls和检测误差L_box；

(3c6)若分类结果为病害叶片，将分类结果的置信度T₁与病害叶片接收阈值T₀作比较，当T₁＞T₀时，则利用病害特征筛选模块在特征图F₃中挑选出置信度为T₁的特征图F₄；

(3c7)将(3c6)中挑选出的特征图F₄和训练掩码集D₇输入到mask分支进行训练，得到目标区域的二值掩码，即病害叶片和其病害位置的分割结果，并计算分割误差L_mask；

(3c8)计算网络的损失值L_loss＝L_cls+L_box+L_mask，利用损失值在每次迭代后反向传播更新网络权重，当训练的epoch大于初始化的epoch时，停止网络训练，得到训练后的网络模型；

(4)将测试图像输入训练后的模型中进行测试。