[发明专利]一种基于SE-Inception的轻量级茄科病害识别方法

权利要求书

1.一种基于SE-Inception结构的轻量级茄科病害识别方法，其特征在于，包括如下步骤：

(1)建立常见茄科病害数据集，并进行手工标注；

(2)输入茄科病害数据集；

(3)图像增强，即旋转、平移，翻转等操作，扩大数据集；

(4)将数据集划分为训练集、验证集和测试集；

(5)输入数据后，设计了并行卷积层，用不同尺度的卷积核进行卷积，对于每一个卷积层后都加上BN层，其中BN层为批归一化层Batch Normalization，简称BN层；

(6)结合Inception结构和SeNet模块，搭建了一种新型轻量级网络，具体包含多尺度特征提取模块，全局池化层，SE-Inception模块，平均池化层和分类器；

(7)对数据集中训练集进行训练；

(8)保存训练好的模型；

(9)使用训练好的模型对测试数据集测试输出。

2.根据权利要求1所述基于SE-Inception结构的轻量级茄科病害识别方法，其特征在于，所述步骤(5)采用不同尺度的卷积核进行卷积的操作方法，由于病害种类较多，不同病害的颜色纹理特征存在较大的差异；同一种病害在在病害不同阶段差异也比较明显；因此对输入的图片采用不同尺度的卷积核进行卷积，可以同时提取多种尺度的局部特征，增加网络的鲁棒性；卷积后都采用批归一化处理；批归一化的主要目的是通过一定的规范化手段把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0、方差为1的标准正态分布，这样有助于加快收敛速度，批归一化的主要操作步骤如下：

输入：一个批次中x的值：B＝{x₁...m}；需要学习的参数γ，β

输出：{y_i＝BN_γ，β(x_i)}

每个训练批次数据的均值：

每个训练批次数据的方差：

使用求得的均值和方差对该批次的数据做归一化：规格转换：β(x_i)

其中，x是函数的输入；B代表由多个x组成的集合；m是集合B包含x的数量；i代表集合B中x的位置信息；ε是为了避免除数为0时所使用的微小正数。

3.根据权利要求1所述基于SE-Inception结构的轻量级茄科病害识别方法，其特征在于，所述步骤(6)结合Inception结构和SeNet模块搭建轻量级网络的方法：利用Inception的结构来减少模型的参数量，从而减小模型的大小，采用SENet模块来提高网络的精度，并把两者相结合；所述Inception的结构包括：

InceptionV1模块是GoogLeNet中的基本模块,InceptionV1提高网络资源的利用率，在计算量不变的情况下，提高网络的宽度和深度；InceptionV1有4个通道分别由1×1、3×3、5×5的卷积核；运用不同大小的卷积核进行卷积,得到不同尺度的特征，在3×3和5×5之前采用1×1的卷积是为了降低维度，减少计算瓶颈的同时增加网络层数，提高网络的表达能力；

InceptionV2把InceptionV1中的5×5卷积改成了两个3×3卷积；有如下几个优点：第一,节约大量的参数；第二,处理更丰富的空间特征，增加特征的多样性；为加快收敛速度，在每一个卷积层后添加了BN层；在InceptionV2结构中的卷积之后也添加了BN层。

4.根据权利要求1所述基于SE-Inception结构的轻量级茄科病害识别方法，其特征在于，所述步骤(7)对数据集中训练集进行训练：对训练集进行训练，在训练过程中，观察训练曲线是否收敛；此处损失函数的采用分类常用的交叉熵损失函数,它刻画的是实际输出概率与期望输出概率的距离，也就是交叉熵的值越小，两个概率分布就越接近；交叉熵公式如下:

其中，x是函数的输入，y是表示真实标记的分布，a则为训练后的模型的预测标记分布，交叉熵损失函数能衡量y与a的相似性.当任务为多分类时，使用softmax作为输出层的激活层，具体采用如下的公式来衡量损失：

其中，p代表模型的预测值，t是标签值，i和j分别对应着数据的值和数据的类别。