[发明专利]一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法

说明书

本发明公开了一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，包括以下步骤：进行番茄叶片图像数据集的收集，将收集的番茄叶片图像数据集采用数据集扩充方法进行扩充得到扩充图像数据库，进行图像数据集的预处理；构建改进的残差神经网络识别模型,将经过预处理的图像数据集，输入到所述改进的残差神经网络识别模型完成模型的训练；将完成训练的模型对待实际待检测图片进行识别。本申请采用改进的残差神经网络识别模型,利用可分离多尺度卷积module1、module2的配合对番茄叶片实现病害识别，拓展了网络宽度，准确率达到较高水平，占用内存较少，可以实现低性能终端上对番茄病害的实时识别，并可以推广到其他类似应用场景的农作物病害识别。

技术领域

本发明涉及计算机图像处理技术技术领域，尤其涉及一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法。

背景技术

我国是一个农业大国，农业的生产水平对国家经济建设与发展至关重要。然而，病害是限制农作物栽培的主要因素之一。农作物受到病害侵袭，严重时会导致农产品产量大幅降低，从而给农业经济带来巨大损失。因此，病害的早期识别对选择正确的治疗方法极其关键，也成为降低农作物损失以及减少农药使用的重要前提。番茄是一种病害较多的蔬菜，目前生产上引起减产或绝产的病害多达20余种。一方面病害影响了产量和品质，另一方面，过量化学防治造成药物残留带来公害。随着人民生活水平提高，对番茄品质要求更加迫切。因此及早诊断及早治疗是一个必须解决的问题。但是深度神经网络一方面需要大数据量训练集且要求精准标注，这给实际应用带来了较大困难，另一方面对计算机内存占用大，消耗大量计算资源，难以应用于低成本终端设备。

针对番茄这个特定对象的研究，本申请提出一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法。

发明内容

本发明针对上述现有的问题的一个或多个，提出一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法。

根据本发明的一个方面，提供一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，包括：

进行番茄叶片图像数据集的收集，将收集的番茄叶片图像数据集进行扩充得到扩充图像数据库；

构建改进的残差神经网络识别模型，将经过预处理的图像数据集，输入到所述改进的残差神经网络识别模型完成模型的训练；

将完成训练的模型对待实际待检测图片进行识别，得到测试结果；

其中，所述改进的残差神经网络识别模型包括4个Stage模块、3个Reduction模块、最大池化Max－pooling、平均池化Average－pooling、Dropout层、全连接层FC和Softmax分类器；

所述改进的残差神经网络识别模型的识别步骤包括：

1)输入图像经过第一个Stage模块以及一个最大池化Max Pooling；

2)然后依次交替经过Stage和Reduction模块，通过Reduction模块特征图的尺寸降为一半，并逐渐扩充通道数；

3)最后通过平均池化Average－pooling、Dropout层、全连接层FC最后输出到Softmax分类器进行分类得到识别结果。

在某些实施方式中，4个Stage模块分别依次为Stage1、Stage2、Stage3、Stage4，所述Stage1是由3个3＊3的卷积串联而成，其中第一个卷积的stride为2；stage2和stage3分别由两个module1模块串联构成；stage4由两个module2模块串联构成。

在某些实施方式中，3个Reduction模块(ReductionX(X＝1，2，3))均为相同的Reduction模块，Reduction模块使用了深度可分离卷积和channel shuffle代替标准卷积的操作。