[发明专利]一种基于深度迁移学习的茶叶病害识别方法

说明书

本发明公开了一种基于深度迁移学习的茶叶病害识别方法，包括以下步骤：训练阶段：获取多个品种茶叶的图片，作为训练数据集；对训练数据集中的图片进行预处理，包括：随机翻转、随机剪裁、随机角度旋转、颜色抖动、添加噪声；构建图片分类模型；在DenseNet中引入SE Block，通过SE Block引入通道注意力机制，构建特征通道加权的SE‑DenseNet网络模型；将训练数据集输入构建的SE‑DenseNet网络模型中，通过迁移学习对SE‑DenseNet网络模型进行训练，保存训练好的模型；测试阶段：输入待识别的茶叶图片，通过训练得到的SE‑DenseNet网络模型对茶叶图片中的病害进行分类识别，获得病害特征，通过分类器输出病害分类结果。本发明提升了小样本和样本分布不均情况下的识别准确率，识别准确率和速度高于原模型。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度迁移学习的茶叶病害识别方法。

背景技术

茶叶是我国重要的经济作物，不仅种植面积大，而且品种众多。但是茶叶在生长和种植的过程中容易受到病害影响，直接影响了茶叶的品质和质量，造成巨大的经济和社会效益的损失。原始的人工识别病害主要基于专家的经验和视觉观察，但是这种方法往往会受到周期长、主观性强、一致性差、差错率高、量化难等因素的限制。随着机器学习的发展，图像处理和机器学习方法已经被广泛的用作于农作物病害识别，传统的机器视觉方法需要大量的图像分割及特征提取，但是由于农作物叶片病斑的复杂性，很难确保分割出来的区域就是目标特征区域，因此该方法存在鲁棒性低，泛化能力弱等问题。

随着深度学习的迅速发展，卷积神经网络在图像分类方面取得了突破性的进展。深度学习模型由多层的非线性运算单元组合而成，通过将较低层的输出作为更高一层的输入，自动的从众多训练数据中学习抽象的特征表示，能够获取数据的分布式特征。避免了复杂的图像的显式特征提取过程，降低了时间复杂度，提高了效率。在拥有足够训练样本的情况下，深度神经网络的识别准确率高于传统的机器学习算法，但是网络的训练往往需要大量的数据标签，而农作物病虫害图像数据采集充满不确定性和高难度性。同时，国内外使用深度学习方法对植物叶片病害的研究主要集中在水果和农作物，针对茶叶病害的研究较少。DenseNet作为深度学习中具有代表性的网络之一，有着引人瞩目的优势，网络通过密集连接的方式鼓励特征重用，加强特征传播，缓解梯度消失的问题，并减少了参数量。但是DenseNet在进行密集连接时仅将输出特征图进行简单合并，没有考虑到不同特征通道之间的相关性，从而导致各特征通道之间无法自适应地学习相关系数。

随着深度学习模型网络深度的增加，在拥有足够训练样本的情况下，深度神经网络的识别准确率高于传统的机器学习算法，但是网络的训练往往需要大量的数据标签，而茶叶病虫害图像数据采集充满不确定性和高难度性，针对此问题本专利基于迁移学习的特性首先在大型公开数据集上预训练模型，然后把模型迁移至增强后的茶叶病害数据集，加快了模型的收敛速度，提高了小样本情况下卷积神经网络的准确率和鲁棒性。

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，提供一种基于深度迁移学习的茶叶病害识别方法。

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深度迁移学习的茶叶病害识别方法，该方法包括以下步骤：

训练阶段：

步骤1：获取多个品种茶叶及对应病害的图片，作为训练数据集；

步骤2：对训练数据集中的图片进行预处理，包括：随机翻转、随机剪裁、随机角度旋转、颜色抖动、添加噪声；

步骤3：构建图片分类模型；在DenseNet中引入SE Block，通过SE Block引入通道注意力机制，构建特征通道加权的SE-DenseNet网络模型；

步骤4：将训练数据集输入构建的SE-DenseNet网络模型中，通过迁移学习对SE-DenseNet网络模型进行训练，保存训练好的模型；