[发明专利]一种苹果叶部病理检测方法

权利要求书

1.一种苹果叶部病理检测方法，其特征在于，所述的苹果叶部病理方法包括以下步骤：

步骤1、数据集预处理，利用“Lable Image”进行五类病害的标注；

步骤2、针对小目标识别精度的缺陷，利用融合SSD特征提取网络的VGG-16的conv4_3、fc7和额外层conv7_2的特征图特征，用于将不同尺度的特征图在合并前做些预处理操作，先使用1*1卷积降低特征图的通道数，并将VGG-16中conv4_3尺度设置为基准尺度，通过设置Conv6_2的步长1，则Conv7_2的分辨率也为10*10，对于尺度小于38*38的特征图的FC7和Conv7_2就需要使用双线性插值(Bilinear Interpolation)做上采样操作，使之尺度缩放为38*38pix，经过以上操作，所有特征图在合并前，空间维度信息就保持一致了，将通过尺度变化的VGG16的fc7、额外层conv7_2与Conv4_3接得到一个合并层，在该步骤中，合并层的尺寸为768，BN操作以正则化得到的合并层，该层的像素数量减小到512，公式如下：

X_f＝φ_f{T_i(X_i)}i∈C    (1)

X′_p＝φ_p(X_f)p∈P    (2)

loc，lass＝φ_c，l(∪{X′_p})p∈P    (3)

式中X_i，i∈C表示原始各层的特征图，T_i表示在融合前，每层特征图的X_i都需要做一个转换函数，也即缩放到同一尺度，φ_f表示特征融合函数，φ_p表示基于融合后的X_f，生成新的特征金字塔函数，φ_c，l表示通过新生成的特征金字塔，预测目标检测的函数；

步骤3、考虑到苹果叶部病害目标易受背景干扰，对用于生成候选区域的不同尺度特征图加入通道注意力机制，减轻背景信息的干扰，将6种额外层的不同尺寸的特征图38*38，19×19，10*10，5*5，3*3和1*1，通过全局平均池化得到每个通道的权重，每一个权重都是通过对特征图在空间维度H*W进行压缩得到，作为通道注意力网络(SENet)的输入X，计算公式如下所示：

其中Z表示压缩通道得到的权重；H×W表示特征空间维度信息，自适应生成各通道的注意力权重，使用具有一个隐含层的多层感知机，隐含层的神经元个数为C/r，r为缩放比例，使用Sigmoid得到最终的权重，计算公式如下：

S_c＝F_c(ZW)＝σ(g(Z，W))＝σ(W₂δ(W1，Z))    (5)

其中，δ函数是ReLU激活函数，ω是Sigmoid激活函数，S_c的维度是1×1×C，S_c对应生成的通道注意力权重，使用得到S_c对输入通道进行调整，通道注意力加权公式为：

式中，表示逐元素相乘，表示通过注意力机制处理的输出结果，这样就实现了对X的C个特征图要性表达；

步骤4、加入焦点损失函数(Focal Loss)，降低了大量简单负样本在训练中所占的权重进而改善误检的情况。

2.根据权利要求1所述的一种苹果叶部病理检测方法，其特征在于，步骤1中，数据集预处理，利用“Lable Image”进行五类病害的标注，包括如下步骤：

步骤11、利用“Lable Image”工具对数据集图像中的五种病害做标注，图片标注格式为PACAL VOC。

3.根据权利要求1所述的一种苹果叶部病理检测方法，其特征在于，步骤4中，加入焦点损失函数(Focal Loss)包括如下步骤：

步骤41、焦点损失函数(Focal Loss)是通过对交叉熵损失(cross-entropy loss)函数的基础上进行的修改，二分类交叉熵公式如下：

式中L表示二分类交叉熵的损失值，y表示真实分类，y'表示预测分类；

步骤42、焦点损失函数(Focal Loss)在交叉熵损失的原有基础上，增加了一个因子γ，自动降低简单负样本的损失，帮助模型集中于训练更加困难的样本，焦点损失函数(FocalLoss)定义公式如下：

FL(p_t)＝-a_t(1-p_t)^γlog(p_t)    (8)

式中p_t表示不同类别t的概率；平衡因子a_t表示积极和消极的比例，用来平衡样本不均衡；γ表示为聚焦参数，来调节简单和困难样本权重降低的速率；p_t越大，通过增大γ，权重(1-p_t)^γ就越小，通过权重对简单样本进行抑制，当γ增加时，平衡因子a_t也在增加，参数a_t、γ分别取0.25和2。