[发明专利]一种木薯病害识别方法

权利要求书

1.一种木薯病害识别方法，其特征在于，包括：

S1、采集木薯叶部的病害图像，并进行分类；

S2、对分类后的所述病害图像进行预处理；

S3、对所述图像数据进行数据扩充，形成图像数据集；

S4、将所述图像数据集划分训练集、验证集和测试集；

S5、构建网络模型；

S6、将所述训练集的图像数据放入到所述网络模型中进行训练，每训练完一次，使用所述验证集的图像数据进行验证，直至完成网络模型的训练；

S7、将所述测试集中的图像数据放入到所述网络模型中进行病害识别。

2.如权利要求1所述的木薯病害识别方法，其特征在于，所述步骤S1中，对所述病害图像进行分类包括：搜索网络获取到相关木薯病害图像数据，然后，按病害类别使用Labelimg对病害图像进行人工标签分类。

3.如权利要求1所述的木薯病害识别方法，其特征在于，所述步骤S2中，对分类后的所述病害图像进行预处理包括：

S21、使用Pytorch的transform函数库对所述病害图像进行降噪处理；

S22、将所述病害图像进行统一裁剪到256*256大小。

4.如权利要求3所述的木薯病害识别方法，其特征在于，所述步骤S21中，降噪处理方式为高斯模糊，使用5*5的领域窗口，标准差为3；所述步骤S22中，裁剪方式为以图像中心为原点进裁剪，对不足256*256大小的图像，以最短边进行计算，进行放大到256后，再裁剪。

5.如权利要求4所述的木薯病害识别方法，其特征在于，所述步骤S3中，对所述图像数据进行数据扩充，形成图像数据集包括：

对所述图像数据进行旋转角度、随机裁剪、修改亮度和对比度、随机翻转中的任意一种或多种方式；

所述旋转角度方式包括：对图像数据在0°～90°范围内进行随机角度旋转，并以图像变换中心为原点，对旋转后的图像进行裁剪使之大小相同的图像；

所述随机裁剪方式包括：对图像数据在缩放比例因子为1～2的范围内随机进行缩放，然后，按照上下左右中心位置裁剪出5幅大小相同的图像；

所述修改亮度和对比度方式包括：设置2个随机种子分别表示亮度和对比度，随机范围为0.5-1.5，对图像数据使用随机种子得到的数进行亮度和对比度的更改，获得3幅图像；

所述随机翻转方式包括：对图像数据以图像中心点为基准，设置随机种子为5，进行随机的水平和垂直反转操作。

6.如权利要求1所述的木薯病害识别方法，其特征在于，所述步骤S4中，训练集、验证集和测试集中图像数据的数量比例分别为7:1:2。

7.如权利要求1所述的木薯病害识别方法，其特征在于，所述步骤S5中，所述网络模型基于Efficientnet神经网络，且所述网络模型包括1层卷积层、2层全连接层，所述全连接层含一层病虫害分类层，病虫害分类层中的每一类都分别对应一个木薯病害以及健康状态。

8.如权利要求7所述的木薯病害识别方法，其特征在于，所述卷积层采用200个1*1大小卷积核，所述全连接层的神经元个数为1500。

9.如权利要求1所述的木薯病害识别方法，其特征在于，所述步骤S6中，使用迁移学习的方式，用Efficientnet神经网络的网络模型作为初始权重，并使用Adam进行模型参数优化。

10.如权利要求1所述的木薯病害识别方法，其特征在于，所述步骤S7之前还包括步骤：

S70、使用Kfold将训练集的图像数据分成7份，将7份中的1份图像数据加入验证集中，另外6份图像数据加入到网络模型中进行训练，以此类推，获得7个网络模型，选取2组最好的网络模型使用均值法进行模型融合，得到最后的网络模型。