[发明专利]一种基于SE-Inception的轻量级茄科病害识别方法

说明书

本发明公开了属于图像分类技术领域的一种基于SE‑Inception结构的轻量级茄科病害识别方法，包括如下步骤：建立常见茄科病害数据集，并进行手工标注；输入茄科病害数据集；图像增强，扩大数据集；将数据集划分为训练集、验证集和测试集；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；搭建轻量级网络；对数据集中训练集进行训练；使用训练好的模型对测试数据集测试输出。本发明包含5类病害；设计了一种轻量级的网络架构，并在训练的过程中不断进行参数调优。实验结果表明，本发明具有较高检测精度和较快的训练速度并且具有较小的模型体积，为移动端和硬件的部署提供技术可行性。

技术领域

本发明属于图像分类技术领域，具体涉及一种基于SE-Inception的轻量级茄科病害识别方法。

背景技术

茄科作物例如番茄，茄子，枸杞，马铃薯，辣椒等是广泛栽培的作物，具有很高的经济价值。而病害是影响茄科作物产量的一个很大的因素，每年有大量的作物被不同的植物病害所侵害，造成大量损失。植物病害的准确检测和鉴定是影响植物生产的关键要素，也是成功耕作的关键。传统的农作病害识别主要步骤是利用图像处理技术对农作物病害图像进行预处理，对一些特定的特征进行特征提取之后，使用分类器对所提取到的特征进行分类，从而实现农作物病害的分类识别。王利伟,等人,在江苏农业科学,2017.45(23):p.222-225.发表的“基于计算机视觉的葡萄叶部病害识别研究.”中，使用不同核函数的支持向量机对葡萄叶部病害进行识别。基于深度特征学习的农作物病害图像识别通常采用深度卷积神经网络学习，输入图像的特征，并对学习到的特征进行自动分类，网络直接输出该图像的类别概率，是一种端到端的图像识别方法；

GoogLeNet Classification of apple tree disorders using convolutionalneural networks.in 2016IEEE 28th International Conference on Tools withArtificial Intelligence(ICTAI).2016.IEEE.提出了Inception结构，这个结构很好地利用了网络中的计算资源，并且在不增加计算负载的情况下，增加网络的宽度和深度。同时，为了优化网络质量，采用了Hebbian原理和多尺度处理。GoogLeNet在分类和检测上都取得了不错的效果。GoogLeNet取得了ILSVRC-2014的冠军，top-5的错误率达到了6.67％。Nachtigall L G等人使用AlexNet模型对六种共两千多幅苹果病害图像进行识别，其识别准确率超过了专家识别的准确率。

Batch Normalization Szegedy,在Batch normalization:Accelerating deepnetwork training by reducing internal covariate shift.2015.中批归一化，是为了解决Internal Covariate Shift问题。BN就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，以避免梯度消失及加快网络收敛。通过BN和Inception结构相结合，提高了ImageNet分类上的最佳结果:top-5的错误率达到了4.9％，超过了人类的水平。

Szegedy等人在Rethinking the inception architecture for computervision.in Proceedings of the IEEE conference on computer vision and patternrecognition.2016.中提出了InceptionV2结构。InceptionV2结构把原先大的卷积核分解为对称的小的卷积核。采用小卷积核节约了大量的参数，可以处理更丰富的空间特征，增加了特征的多样性。该结构在ILSVRC-2012上超过了最先进的方法top-5错误率达到了5.6％。