[发明专利]一种多尺度反卷积网络实现植物叶部病斑分割与识别方法

权利要求书

1.一种多尺度反卷积网络实现植物叶部病斑分割与识别方法，其特征在于，包括以下步骤：

步骤1：利用多尺度残差块构建多尺度特征提取模块，获取病害图像的高级语义特征图；

步骤2：构建分类与桥接模块：首先将高级语义特征图送入全连接层进行计算，得到的神经元包含判定图像类别的关键特征，利用交叉熵损失函数计算病害图像分类损失，并训练SoftMax分类器，获取正确的类别概率分布，并输出病害类别预测，更新网络参数；然后对神经元进行线性变换，得到特定病害类别的激活图，所述激活图包含特定类别病斑区域；

步骤3：对特定病害类别的激活图进行上采样，获得预测的病斑分割图像；

步骤4：对于每个病害类别，选取若干张图像进行像素级标记，计算每个像素点的二分类交叉熵损失，使用模型损失函数共同优化分类损失和分割损失，更新网络参数；

步骤5：每个epoch训练结束后，记录训练准确率和平均损失；用训练后的模型对所有测试样本进行预测，记录测试准确率和平均损失；选择在测试集上病害识别损失最小的权重，作为最终的植物叶部病斑分割与识别模型。

2.根据权利要求1所述的多尺度反卷积网络实现植物叶部病斑分割与识别方法，其特征在于，步骤1中获取病害图像的高级语义特征图的步骤具体包括：

将ResNet-50的特征提取部分作为多尺度特征提取模块的基本骨架，将ResNet-50中的残差块替换为多尺度残差块，构建多尺度特征提取模块；

其中，多尺度残差块的结构为：输入的特征图经过1×1卷积层得到特征图x，将它按通道数平均分成s份，得到特征子图x_i(i＝1,2,3...s)，其中s的值设置为4；x₁直接输出，其余特征子图分别对应着3×3的卷积运算k_i，x_i与经过k_i-1运算得到的特征图相加后，输入到k_i中，y_i是特征子图x_i对应的输出，高级语义特征图的计算写为：

其中，每个3×3的卷积运算k_i都可能直接接收特征子图x_i；每经过k_i运算，特征子图的感受野都有增加的可能性，这种类残差式的多卷积组合结构使得同一特征层可以自由组合不同尺寸的感受野，最后使用1×1的卷积层将特征子图的输出合并为同一个张量继续向下传递。

3.根据权利要求1或2所述的多尺度反卷积网络实现植物叶部病斑分割与识别方法，其特征在于，步骤2获取特定病害类别的激活图的步骤具体包括：

步骤2-1：采用全连接层将多尺度特征提取模块获得的高级语义特征图y_i映射为类别向量采用softmax分类器将类别向量映射到[0,1]之间，采用交叉熵损失函数计算病害图像分类损失为：

其中，表示第i个训练样本预测为第j个类别的概率值，表示第i个训练样本标注的真实病害类别，c为病害类别总数，N为训练样本总数；

步骤2-2：将类别向量经过反向全连接的线性变换映射为高维特征向量，并重塑为特征图形式F＝(H,W,C)，其中H和W是特征图的高度和宽度，C为特征图通道数；为防止特征丢失，将反向全连接前后的特征向量和特征图对应相加，通过向量加法进行特征融合，获得特定病害类别的激活图。

4.根据权利要求1所述的多尺度反卷积网络实现植物叶部病斑分割与识别方法，其特征在于，步骤3对特定病害类别的激活图进行上采样的步骤具体包括：

采用上采样率为2的最近邻插值法与卷积操作相结合进行反卷积，对多尺度特征提取模块中对应大小的特征图采用跳跃连接操作进行向量拼接，将特定病害类别的激活图经过上采样逐步恢复至原始图像分辨率大小，最后采用Sigmoid函数将其映射到(0,1)之间，设置阈值为0.5、灰度值大于0.5的像素为病斑像素，得到预测的病斑分割图像。

5.根据权利要求1所述的多尺度反卷积网络的植物叶部病斑分割与识别方法，其特征在于，步骤4计算二分类交叉熵损失和模型损失函数的步骤具体包括：

步骤4-1：计算预测的病斑分割图像与病斑像素级标注图像的交叉熵值，可以评定分割模型的训练效果，二分类交叉熵损失为:

其中，N为图像包含的总像素个数,为第i个训练样本经过反卷积模块输出的二值图中第j个像素的预测值，j为0表示背景像素，j为1表示病斑像素；为第i个训练样本中第j个像素的真实值；

步骤4-2：训练时使用模型损失函数共同优化分类损失和分割损失，对病斑像素级标注图像训练一轮后，训练一部分病害类别标注样本，再使用像素级标注的训练集训练一次，如此交替迭代训练，直到病害类别标注的训练样本全部训练结束即完成一个epoch训练，其中，模型损失函数为：

L＝k*l_cls+(1-k)*l_seg

其中，l_cls为第一个分类器输出的病害类别分类损失，l_seg为第二个分类器输出的病斑分割损失，在训练有病斑标注的样本时，模型更加关注病斑像素的位置信息；在训练无病斑标注的样本时，模型只关注图像类别信息。