[发明专利]一种基于迁移学习和卷积神经网络病虫害的识别方法

权利要求书

1.一种基于迁移学习和卷积神经网络病虫害的识别方法，其特征在于，包括以下步骤：

步骤一、采集植物病虫害叶片图像和正常植物叶片图像；

步骤二、搭建ResNet-50网络结构，对ImageNet大数据进行训练，活得预训练模型参数；

步骤三、微调适合迁移学习的ResNet-50网络模型；

步骤四、图像预处理，得到超分辨率的植物病虫害叶片目标图像；

步骤五、利用基于迁移学习的网络模型识别植物病虫害叶片进行训练。

2.根据权利要求1所述的识别方法，其特征在于，步骤一具体为：

利用相机拍摄植物病虫害叶片图像和正常植物叶片图像。

3.根据权利要求1所述的识别方法，其特征在于：步骤二具体为：

步骤21、利用Tensorflow搭建ResNet-50网络模型；

步骤22、利用ResNet-50网络对ImageNet大数据进行训练，并生成训练模型参数权重；

步骤23、保存模型参数权重。

4.根据权利要求1所述的识别方法，其特征在于：步骤三具体为：

步骤31、在步骤23中保存的参数模型，对前4个卷积层进行冻结，不改变其weight和bias的数值；

步骤32、全连接层改进；

在步骤21的基础上，改进全连接层，在ResNet网络结构基础上，增加一层全连接层，全连接层有两层分别为全连接层1和全连接层2，载入预训练的权重参数之后，卷积层经过平均池化层，减少运算量，再进入全连接层1，全连接层经过ReLU激活函数激活，然后进入Dropout层，再连接全连接层2，最后用Softmax函数激活，最后输出分类结果；其中选用ReLU激活函数该激活函数具有计算简单、收敛速度快等特点，其表达式为

其中t是ReLU激活函数的自变量；f_ReLU是ReLU函数；

另外进入Dropout层，其作用是降低神经元间的依赖，避免网络过拟合；最后利用Softmax函数计算得到最终的分类概率，其计算公式为：

其中v_r为向量中第r个分量；p_r为第r个分量的分类概率；k为分量的序号；

步骤33、对目标图形进行训练，在训练过程中，对微调的全连接层的学习率置为0.0001。

5.根据权利要求1所述的识别方法，其特征在于：步骤四具体为：

将植物病虫害叶片图像与正常植物叶片图像采用离线增强的方式进行数据增强，图片执行色彩调整、随机裁剪、旋转、加噪的操作，得到超分辨率数据；

为保证训练的准确性，只对图像进行旋转变换、平移变换、旋转变换、翻转变换和彩色调整转换图像数据增强；

通过上述的图像数据增强，将采集的图像进行四倍的扩充，增加训练数据，减少过拟合问题，提高训练精度；

最后，采用双三次差值法把图像缩放到224×224×3，RGB制式；

采用BiCuBic基函数的双三次插值法，BiCuBic基函数形式如下：

构造BiCuBic函数：

其中，a取-0.5，W(x)表示像素所对应的权重，x表示该像素点到原点的距离。

6.根据权利要求1所述的识别方法，其特征在于，步骤五具体为：

利用预测模块对新的目标图形进行分类和预测准确度。