[发明专利]一种基于深度学习的苹果病害诊断方法

权利要求书

1.一种基于深度学习的苹果病害诊断方法，其特征在于，包括以下步骤：

步骤1，建立多个类别的苹果病害图像数据集；

步骤2，对建立的图像数据集进行扩增；

步骤3，在GoogLeNet的inception模块的基础上搭建一种苹果病害识别模型，并优化模型的泛化能力；

步骤4，利用步骤2中扩增后获得的图像数据集对优化后的模型进行训练；

步骤5，用训练好的模型进行诊断并输出结果。

2.如权利要求1所述的一种基于深度学习的苹果病害诊断方法，其特征在于：所述步骤1中是对11个类别的苹果病害建立图像数据集，包括正常、白粉病、斑点落叶病、腐烂病、黑星病、花腐病、轮纹病、霉心病、日灼病、炭疽病和锈病。

3.如权利要求1中所述的一种基于深度学习的苹果病害诊断方法，其特征在于：所述步骤2中对图像数据集进行扩增，是基于几何变换和图像操作的数据增强方法，并使用随机概率和适当组合的策略对数据集进行离线数据增强，同时使用深度卷积生成对抗网络(DCGAN)进行数据增强，通过提升生成器噪声分布的多样性，增强生成图像的丰富度。

4.如权利要求3所述的一种基于深度学习的苹果病害诊断方法，其特征在于：所述使用深度卷积生成对抗网络(DCGAN)进行数据增强，具体为,生成网络G接收一个随机的噪声分布p(z)，其中z表示输入G网络的噪声，并利用深度神经网络可以近似任意复杂函数的能力来构建生成数据分布P(G(z))，其中G(z)表示G生成的数据，而真实的数据分布为P_data(x)，x表示真实数据，G(z)的分布应该尽可能接近P_data(G(z))，将已知分布的z变量映射到未知分布x变量上，在训练过程中，根据交叉熵损失，可以构造损失函数式：

D(x)表示D网络判断真实数据是否真实的概率，D(G(z))是为了D判断G生成的数据是否真实的概率，训练中对D和G交替做优化，其训练过程为：

S1：从已知的噪声分布p(z)中选出一些样本z(1)至z(m)；

S2：从训练数据中选出同样个数的真实数据x(1)至x(m)；

S3：设判别器D的参数为θ_d，求出损失关于参数的梯度对θ_d更新时加上该梯度；

S4：设生成器G的参数为θ_g，求出损失关于参数的梯度对θ_g更新时减去该梯度。

5.如权利要求1所述的一种基于深度学习的苹果病害诊断方法，其特征在于：所述步骤3中在GoogLeNet的inception模块的基础上搭建的一种苹果病害识别模型，GoogLeNet结构有22层，GoogLeNet模型使用金字塔模型来增加宽度，并由一系列易获得的稠密子结构来近似和覆盖卷积网络的局部稀疏结构，GoogLeNet结构中共使用了11个初始模块，3个分类器，每个初始模块包括多个平行卷积层，并且采用最大池化层用于同时捕获不同的特征，将任意n×n的卷积核都分解成两个1×n，n×1的一维卷积核。

6.如权利要求1所述的一种基于深度学习的苹果病害诊断方法，其特征在于：所述步骤3中优化模型的泛化能力，具体为优化了GoogLeNet模型结构,综合衡量模型性能和参数数量构建模型,减少了inception模块上的数量，并在模型前段增加了卷积层和池化层的数量。

7.如权利要求1至6任意一项所述的一种基于深度学习的苹果病害诊断方法，其特征在于：所述模型设置最大迭代步数为100000步，选用Rmsprop优化算法，学习速率选用0.01，以指数形式衰减。