[发明专利]一种基于SK-EfficientNet的轻量级农作物病害识别方法

权利要求书

1.一种基于SK-EfficientNet的轻量级农作物病害识别方法，其特征在于，该方法包括以下步骤：

训练阶段：

步骤1：获取包含多种病害种类的植物病害图像，作为输入的训练数据集；

步骤2：对训练数据集中的植物病害图像进行预处理，包括：随机裁剪、旋转、高斯模糊添噪、颜色增亮、调整各种类图像数量、统一图像尺寸；

步骤3：构建基于SK-EfficientNet的分类模型；针对EfficientNet的核心模块移动翻转瓶颈卷积MBConv进行改进，将原有SENet模块替换为SKNet，首先将MBConv模块卷积核为k的卷积替换为3×3深度可分离卷积和dilation为2的3×3空洞卷积，对输入特征进行不同卷积核大小的完整卷积操作，再通过全局平均池化来获得全局信息、两个全连接层找到不同卷积核所占权重比，最后在通道方向进行softmax操作，形成SK-MBConv网络结构；将SK-MBConv融合原始EfficientNet模型，形成SK-EfficientNet网络模型；

步骤4：对SK-EfficientNet分类模型进行学习训练；将训练数据集中的植物病害图像输入SK-EfficientNet分类模型进行训练，保存训练好的模型；

测试阶段：

步骤5、输入待识别的植物图像，通过训练好的SK-EfficientNet分类模型对植物图像进行识别，获得特征向量，利用全连接层进行病害识别判定，获得该植物图像在每一类下的概率，概率值最大的即为对应的图像类别。

2.根据权利要求1所述的基于SK-EfficientNet的轻量级农作物病害识别方法，其特征在于，所述步骤1中：

输入的训练数据集采用PlantVillage数据库，该数据库收录了大量的植物病害图像，提取其中番茄叶片图像作为源数据，共10个类别，包括9种病害和健康叶片，9种病害包括：细菌性斑点病、早疫病、晚疫病、叶霉病、斑枯病、二斑叶螨病、轮斑病、花叶病、黄化曲叶病，图像总数超过18160张。

3.根据权利要求1所述的基于SK-EfficientNet的轻量级农作物病害识别方法，其特征在于，所述步骤2中：

1)随机裁剪：在植物病害图像的不同区域随机裁剪出局部图像从而得到更多的数据；

2)旋转：将部分植物病害图像沿着顺时针随机旋转90、180和270度，模拟真实农业场景角度差异情况，以提高变形适应性；

3)高斯模糊添噪：对植物病害图像添加椒盐噪声和高斯噪声，模拟拍摄不同清晰度的样本；

4)颜色增亮：以指数方式更改每个像素的饱和度S和亮度V分量，并保持色相H不变，以增加照明变化；S和V通道分别使用从[0.25，4]均匀得出的系数进行缩放；

5)调整各种类图像数量：对样本数量明显过多的类别，随机剔除一部分样本，使该类别的植物病害图像数量维持在一个平均水平上；

6)统一图像尺寸：最后将所有植物病害图像的尺寸统一为256×256像素。

4.根据权利要求1所述的基于SK-EfficientNet的轻量级农作物病害识别方法，其特征在于，所述步骤3中SK-MBConv网络结构具体为：

首先对特征图进行1×1普通卷积升维，再分别进行3×3深度可分离卷积和dilation为2的3×3空洞卷积，得到两个新的特征图和再将两个分支的结果通过逐元素求和来融合，得到新的特征图U，接着将新的特征图U依次经过全局平均池化层、两个全连接层和softmax操作，再经过1×1普通卷积降维，最后将Droupout失活函数得到的特征图与原始特征图进行融合，得到最终的特征图。

5.根据权利要求1所述的基于SK-EfficientNet的轻量级农作物病害识别方法，其特征在于，所述步骤3中SKNet具体为：

选择性卷积核机制SKNet采用非线性的方法融合来自不同核的特征，使神经元对于不同尺寸的输入信息进行自适应的调整其感受野的大小，其包含了三个操作：Split操作产生多个不同核尺寸的通道与神经元的不同感受野尺寸相关；Fuse操作组合融合来自多通道的信息从而获得一个全局及可理解性的表示用于进行权重选择；select操作根据挑选得到的权重对不同核尺寸的feature map进行融合。