[发明专利]基于改良卷积神经网络的马铃薯病害识别方法

说明书

本发明公开了基于改良卷积神经网络的马铃薯病害识别方法，涉及人工智能机器学习领域。本发明达到对不同种类、大小、生长环境的马铃薯的病变情况的精确识别，本发明的目的是，改进Faster R‑CNN算法，在原有网络结构基础上，进一步提升检测精确率与检测效率，不仅能处理具有复杂背景的小番茄病变图片，也能在采集光学图像中有效降低噪声影响，在数据采集过程中，本方法对图像进行了预处理操作，包括图像标注以及数据扩充，提升数据集的特征多样性，完善了图片质量，防止在模型训练过程中出现过拟合现象，充分发挥了深度卷积网络的优势，拥有操作简单，鲁棒性较佳，检测精度高，遗漏率低的优点。

技术领域

本发明涉及人工智能机器学习领域，具体为基于改良卷积神经网络的马铃薯病害识别方法。

背景技术

卷积神经网络(CNN)是目前深度学习技术领域中非常具有代表性的神经网络之一，在图像分析和处理领域取得了众多突破性的进展，基于卷积神经网络取得了很多成就，包括图像特征提取分类、场景识别等，卷积神经网络相较于传统的图像处理算法的优点之一在于避免了对图像复杂的前期预处理过程，尤其是人工参与图像预处理过程，CNN 被证明比传统机器学习方法有着更优良的表现，在此基础上，引入Faster R-CNN 算法并对其进行改进，该算法是区域卷积神经网络的经典模型之一，于2015 年提出，是一种强大的 two-stage 目标检测与分类算法，能够利用共享卷积层将区域建议网络（Region proposalnetwork，RPN）与 Faster R-CNN 结构形成 1 个网络，增加了候选框生成速度和检测效率。本发明选取多种预训练的卷积神经网络结构作为 Faster R-CNN 的特征提取网络，通过深度学习的方式，精确识别预处理后的马铃薯图像的病变部位，病变种类，极大提高了马铃薯的病变检测效率。

发明内容

本发明的目的在于：为了解决未改进的Faster R- CNN算法检测效率不高的问题，提供基于改良卷积神经网络的马铃薯病害识别方法。

为实现上述目的，本发明提供如下技术方案：基于改良卷积神经网络的马铃薯病害识别方法, 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，必须进行标注才能用于训练。

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。

优选地，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。

优选地，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。

优选地，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 proposal network)，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。

优选地，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。