[发明专利]基于改良卷积神经网络的马铃薯病害识别方法

权利要求书

1.基于改良卷积神经网络的马铃薯病害识别方法，其特征在于,包括以下步骤：

步骤一：获取数据集，在马铃薯的田间养殖数据集中筛选出各类常见病变样本，通过光学图像采集设备，采集不同天气环境下的各类病害的光学图像，保证了数据样本的权威性和代表性：

步骤二：数据预处理，包括对光学图像进行人工标注以及数据增强，由于卷积神经网络在训练过程中需要大量数据样本，否则无法精确提取数据图片的特征：

预处理操作可以有效提升数据集的特征多样性，完善图片质量，而卷积神经网络需要进行有监督的训练，图像本身没有标签和语义，数据预处理可以提高训练效率：

步骤三：引入改进后的Faster R- CNN算法，通过加入批标准化处理提高模型收敛速度，引入中间代价函数构建混合代价函数提高相似病斑的识别率方式改进 Faster R-CNN。

2.根据权利要求1所述的基于改良卷积神经网络的马铃薯病害识别方法，其特征在于：所述步骤一中光学图像采集设备为Canon EOS 5D Mark II，采集方式为人工拍摄。

3.根据权利要求1所述的基于改良卷积神经网络的马铃薯病害识别方法，其特征在于：所述步骤二中具体操作方式按照PASCAL VOC2007 标准，利用 Labelme 标注工具标注健康和病斑区域的病害类型，之后将其存储。

4.根据权利要求1所述的基于改良卷积神经网络的马铃薯病害识别方法，其特征在于：所述步骤三中将改进后的Faster R- CNN算法引入，需要训练好的RPN(Region proposalnetwork)，产生proposal,由imageNet预训练模型初始化，将RPN生成的propasal作为Faster R- CNN网络的输入，再训练RPN网络，用训练的Faster R-CNN网络初始化RPN网络，固定共享卷积层，获得优质训练模型。

5.根据权利要求1所述的基于改良卷积神经网络的马铃薯病害识别方法，其特征在于：所述步骤三引入Faster R- CNN算法之后即可对马铃薯病变识别，识别过程为：先单独训练出RPN识别马铃薯病变部位，之后将其与FasterR-CNN网络结合，再将Faster R-CNN和对抗遮挡网络结合，得出了FasterR-CNN网络，完成了端到端的训练对马铃薯病变识别网络。