[发明专利]一种用于苹果树叶病害图像分类的小样本学习方法

说明书

本发明涉及一种用于苹果树叶病害图像分类的小样本学习方法，以常见的特征相似的苹果锈病、黑星病以及混合病害为研究对象，基于小样本，使用卷积神经网络学习输入图像在特征空间的非线性映射，获得每个图像的特征向量。根据特征向量求出中心点、所有的点距离中心点的平均距离及几个簇的半径。然后根据点到簇中心的距离与半径的关系，找出离群候选集，接着算出离群候选集中因子的局部可达密度，并根据密度值确认的离群因子，并进行剔除。最后将剩下特征点作为支持集，并求取嵌入空间中支持集的平均值，根据查找最近的类原型，即可对嵌入式查询点进行分类，在提高分类准确度和鲁棒性的前提下降低成本。

技术领域

本发明涉及一种图像分类方法，特别是一种用于苹果树叶病害图像分类的小样本学习方 法，在小样本情况下利用深度卷积神经网络进行苹果树叶病害分类，根据图像间的特征向量 距离和样本点密度，找出样本中的离群因子，将离群因子剔除后，求取嵌入空间中支持集的 平均值，根据查找样本与该值的关系进行分类，有效提高类准确率和鲁棒性。

背景技术

病原体和昆虫是威胁苹果园安全的主要因素。果园疾病管理的及时部署取决于疾病的早 期发现，错误和延迟的诊断可能导致化学药品的过度使用或者使用不充分，从而增加生产成 本，对环境和健康带来巨大影响。目前，苹果园的病虫害检测主要依赖于农作物顾问的人工 检查，大量的专家和农民小组可以根据叶子上的症状来确定植物病害。但是，使用人力进行 观察既费时又费钱。另外，在大田间区域连续监视所有植物效率低下。因此，自动检测植物 病害是必要的。

计算机成像技术和机器学习的发展在加快病害诊断方面显示出极大的潜力。数码相机可 以捕捉具有疾病症状的高质量图像，计算机视觉方法可以利用有症状的数字图像对疾病进行 分类。随着深度学习在计算机视觉领域的飞速发展，基于图像的植物病害检测已引起特别关 注。最近推出的深度卷积神经网络已经证明了在图像分类和检测问题上的强大性能。利用深 度卷积神经网络对图像特征进行提取，实现均匀设置下拍摄的农作物病叶图像的分类，特别 是使用计算机视觉在更具挑战性的摄影条件下进行农作物病害的识别，包括复杂的背景，不 同的分辨率和各种照明条件。如利用卷积神经网络作为基本架构从健康的叶子中检测和区分 香蕉斑点病，以及基于深度卷积神经网络的苹果叶病准确识别，使用K-means聚类算法检测 受感染的部分，并利用支持向量机根据颜色、纹理和形状对健康和受感染的苹果进行分类。 另外，卷积神经网络与迁移学习结合在一起获得良好的性能，该学习使用诸如AlexNet、VGG、 ResNet等预先训练的模型，然后更新参数，在过去的几年，人们基于迁移学习的病害检测做 了大量的研究。但是迁移学习方法之间的差异很小，并且这些方法的设计，尤其是利用深度 卷积神经网络的方法的发展，很大程度上依赖于丰富的标签数据，但是对于苹果树叶病害识 别来说，病害种类多，并且形态各异，数据集的获取和标记需要的大量的人力和财力成本。

发明内容

本发明所要解决的技术问题是针对现有利用深度卷积神经网络方法用于苹果树叶病害需 要大量标签数据导致成本太高问题，以常见的特征相似的苹果锈病、黑星病以及混合病害为 研究对象，基于小样本，使用卷积神经网络学习输入图像在特征空间的非线性映射，获得每 个图像的特征向量。根据特征向量求出中心点、所有的点距离中心点的平均距离及几个簇的 半径。然后根据点到簇中心的距离与半径的关系，找出离群候选集，接着算出离群候选集中 因子的局部可达密度，并根据密度值确认的离群因子，并进行剔除。最后将剩下特征点作为 支持集，并求取嵌入空间中支持集的平均值，根据查找最近的类原型，即可对嵌入式查询点 进行分类，在提高分类准确度和鲁棒性的前提下降低成本。