[发明专利]一种基于深度学习的苹果病害诊断方法

说明书

本发明提供了一种基于深度学习的苹果病害诊断方法，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。本发明的苹果病害检测范围更广泛。针对小样本下的训练问题上，不同于现有研究在模型训练上进行优化，而是通过模型改进和数据增强两种途径优化诊断模型的泛化能力，从多个维度综合衡量模型性能模型的准确率，在识别精度和模型大小方面均优于现有研究。

技术领域

本发明属于植物病害图像识别技术领域，尤其涉及一种基于深度学习的苹果病害诊断方法。

背景技术

伴随着面向对象、神经网络、深度学习等新技术的迅速崛起，学者们将计算机技术、图像处理技术以及网络通信技术相结合运用于农业领域。尤其是深度学习，它可以让神经网络架构学习具有多层次抽象数据的表示，这些方法极大地改进了视觉目标识别等技术。王细萍等提出基于卷积网络和时变冲量学习的苹果病变图像识别方法，正确率为97.45％。张善文等将改进的深度卷积神经网络应用到苹果叶部病害诊断中，降低了模型训练和识别时间。田军委等通过对原残差网络结构及损失函数进行改进来构建苹果病害识别网络；同时针对小样本下的训练问题，在网络训练过程中结合了迁移学习与分层学习率的策略进行模型训练；并对最终得到模型进行压缩，提高识别效率，为农作物病害识别提供了理论指导与技术支撑。

国内的苹果病害识别研究中，研究对象主要集中在苹果叶片区域，还没有形成对苹果叶部、果实、树干病害的系统性研究，并且由于苹果病害数据缺乏，对于在小规模病害数据集基础上建立的诊断模型，其识别精度和泛化能力还有待提高。

本发明研究基于小规模数据集和深度学习的苹果病害特征分析方法，建立高识别率、低网络参数、泛化能力强的苹果病害诊断模型，以解决上述问题。

发明内容

为实现上述目的，本发明采用如下技术方案，具体步骤为：

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。

优选的，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。

优选的，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)，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。

优选的，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：