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

说明书

本发明公开了一种基于SK‑EfficientNet的轻量级农作物病害识别方法，包括以下步骤：训练阶段：获取植物病害图像作为输入训练数据集；对训练数据集中的植物病害图像进行预处理；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，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；对SK‑EfficientNet分类模型进行学习训练，保存训练好的模型；测试阶段：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。本发明结合EfficientNet高速度与精度、SKNet高特征提取能力的优点，在减少模型参数的同时更好地识别出不同农作物的多种病害类别，尤其是复杂的农作物病害，并具有更高的识别精度。

技术领域

本发明涉及植物病害图像识别技术领域，尤其涉及一种基于SK-EfficientNet的轻量级农作物病害识别方法。

背景技术

随着计算机技术的不断发展，以机器学习为代表的识别方法也应用到了农作物的病害识别之中。在农作物病害的识别过程中，该识别模式需提取出农作物病害图像的多个特征并加以判断，最终便可通过训练学习的方式识别出病害的类别，具有较好的效果。与此同时，也出现了一系列图像预处理方法及特征选择技术，如图像增强和主成分分析方法等，加强了对病害特征的提取程度，因此，特征的提取与处理成为了该识别模式效果好坏的一个关键因素。但无论该识别模式如何发展，在识别之前需手动提取特征，一方面造成了较大的工作量，另一方面对于特征的处理不当则会造成识别效果的降低。因此，该识别模式具有一定的局限性，在实际中也无法大量推广。

近年来，深度学习在图像识别领域中应用较为广泛，而卷积神经网络是深度学习的典型代表之一，该网络不仅具有很强的学习能力，而且可以实现图像特征的自动提取并达到很好的识别效果，相比于传统的机器学习方法，深度学习可以直接将图像作为输入，并从原始像素中经过少量的预处理得到图像的有效表征。卷积神经网络能够提取农作物病害图像中丰富、抽象、深层次的语义信息，在很大程度上优于传统的农作物病害识别方法。其中具有代表性的网络主要有AlexNet，VGG，GoogleNet和ResNet。然而，这些经典的网络构建的越来越深，所需模型参数也越来越多，过多的参数会导致网络运行速度下降和占用内存增大，不利于模型的部署与应用。

当前基于CNN的分类模型朝向了更深或更宽层的复杂结构演进。虽然在一定程度上取得不错效果，但是深层意味着网络模型具有更多的参数，这不仅增加了计算开销，同时对计算机硬件设备要求更高。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于SK-EfficientNet的轻量级农作物病害识别方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于SK-EfficientNet的轻量级农作物病害识别方法，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；