[发明专利]一种基于DCGAN与RDN的作物病害识别方法及系统

权利要求书

1.一种基于DCGAN与RDN的作物病害识别方法及系统，其特征在于，包括以下步骤：

S1：首先进行数据采集；

S2：数据预处理工作，进行数据可视化、数据清洗、数据生成等技术保障训练数据集的准确性和分布均衡性，具体方法如下：

S21：数据可视化，利用t-SNE数据可视化工具每一类数据进行聚类可视化操作，根据聚类可视化结果分析数据分布情况；

S22：数据清洗，根据步骤S21数据可视化结果，分析出每一类训练数据样本里参杂的噪声数据(即不属于该类别的数据)，并清除噪声数据；

S23：数据扩充，利用t-SNE数据可视化工具对样本类别所包含的样本数量进行可视化分析，分析各别类数据样本的数量分布是否均衡，如出现数据类别分布不均衡的情况，则利用DCGAN进行数据增强操作，以扩充训练数据集；

S3：划分训练集，验证集和测试集，本发明将数据集划分为：训练集60％，验证集20％，测试集20％；

S4：构建深度残差网络(RDN)识别模型，本发明将两种网络模型进行融合并优化，去掉了密集网络的flatten层和dense层及分类器，将其与深度残差网络结合成一个残差密集模块，而该模块在网络全局环境下再次进行残差连接，构成深度残差密集网络模型，结合了深度残差网络和深度密集网络的优点，既提升了模型的学习能力以提升识别准确度，又增强了计算效率；

S5：设置模型参数，加载训练集和验证集进行模型训练；

S6：根据步骤S5设置的参数进行模型训练，保存训练模型；

S7：加载模型，利用模型评估函数在测试集上对模型进行准确度评估；

S8：将训练好的模型应用于作物叶片病害识别系统中，前台用于叶片图像输入，后台进行计算，最后返回病害类别及属于该类别的概率值。

2.根据权利要求1所述的一种基于DCGAN与RDN的作物病害识别方法及系统，其特征在于，所述DCGAN对抗生成网络输入图像尺寸为196*196的3通道图像，批次为64，初始学习率为0.0002，优化函数使用adam，迭代次数为1000，损失函数为Cross-entropy，激活函数为LReLU,ReLU,sigmoid,tanh。

3.根据权利要求1所述的一种基于DCGAN与RDN的作物病害识别方法及系统，其特征在于，RDN模型中，输入图像尺寸为196*196的3通道图像，第一个卷积层的滤波器个数改为128个，第二个卷积层滤波器格式仍旧为64个，本发明RDB模块中添加了张量批量标准化，在每一次卷积后都做一次批量标准化。

4.根据权利要求1所述的一种基于DCGAN与RDN的作物病害识别方法及系统，其特征在于，将concatenate连接后的张量做两次卷积，每次卷积后都进行一次批量标准化，再将该张量与conv1_pool做add(残差)连接，得到后的张量送入两个卷积层中，第一个卷积层的滤波器个数为64，第二个为256，kernel_szie＝3，strides＝(1，1)，第一层卷积后不做批量标准化，第二层卷积层后做一批量标准化以及最大池化处理，最大池化层的参数为pool_size＝2,strides＝2。

5.根据权利要求1所述的一种基于DCGAN与RDN的作物病害识别方法及系统，其特征在于，在最后一次残差连接后的张量做一次卷积，滤波器个数为256，kernel_size＝3,strides＝(1,1)，之后利用Flatten层将张量展平在一阶张量空间中，利用三层全连接层做特征提取，三层全连接层的神经单元依次为256，128，64，第一次层全连接层后，做一次参数为0.3的Dropout，第二层全连接层后做一次参数为0.0005的L2正则化，最后输出到分类器中，分类器激活函数为softmax。

6.根据权利要求1所述的一种基于DCGAN与RDN的作物病害识别方法及系统，其特征在于，系统分为数据采集模块、识别模块和输出模块三部分组成，数据采集模块可以是终端存储的照片，也可以调用摄像头拍摄的照片，随后利用网络传输到远端服务器进行识别，识别模块由训练好的网络模型进行计算，最后将计算结果利用网络输出到终端设备。