[发明专利]花生叶片病害识别方法

权利要求书

1.一种花生叶片病害识别方法，其特征在于包括：

步骤A、在线获取花生单叶病害图片；

步骤B、调用训练完成且已部署的模型文件进行叶片病害种类识别；

所述步骤B中模型文件的训练与部署过程包括：

步骤B1、花生叶部病害数据集建立；

步骤B2、数据优化处理；

在数据集D＝{[M₁,M₂,M₃,····M_i][N₁,N₂N₃,····N_j]^T}中检索样本数量N最大值N_max记为N_ymax,并标记N_ymax对应的种类M_x，其中M_i为种类数(i∈[1,5]),N_i为对应M_i的样本数目；选取N_ymax为分子，以N_i为分母计算比例因子C_i,进而得到比例因子C＝{C₁,C₂···C_i}，并根据比例常数对稀有类样本进行上采样，得到公式：N_i'＝N_i×C_i(i∈[1,5])，再由比例因子C_i的大小采取如下上采样措施

B3.模型的构建

以轻量级卷积神经网络的卷积层为特征提取器，提取花生叶部病斑特征，以线性叠加的方式构造序贯型网络模型，在迁移轻量级卷积神经网络卷积层的基础上，在卷积层后重新添加分类器，分类器中包含归一化层、全局平均池化层、展平层以及Dropout层和L2正则化约束层，重新构建的分类器与迁移的卷积层线性叠加，在每一网络层级设定每一层包含的超参数，将特征提取器的输出连接至分类器，其中L2正则化约束公式为其中，E_in表示未包含正则化项的训练样本误差，λ为正则化参数，w为权重；

B4.模型训练

B5.模型评估模块，使用混淆矩阵对所得模型进行验证和评估；

B6.模型量化模块，获得网络分支结构和权重文件经过量化工具转换得到轻量化后的可部署模型文件。

2.根据权利要求1所述的花生叶片病害识别方法，其特征在于，所述步骤B3中，超参数设定时，采用动态衰减学习率，设定学习率η、一阶矩阵估计指数衰减率β₁、二阶矩阵估计指数衰减率β₂、模糊因子ε、单次衰减值参数，通过自适应矩估计来优化算法，优化算法中由以下公式来更新网络权重：

m_t＝β₁m_t-1+(1-β₁)g_t

v_t＝β₂v_t-1+(1-β₂)g_t²

其中，表示算是函数的下降梯度，θ_t表示损失第t轮的参数，J(θ_t)表示损失函数，m_t表示梯度g_t的一阶矩，v_t表示g_t的二阶矩，为m_t的偏置矫正，为v_t的偏置矫正，更新后的学习率：实现学习率的自动衰减更新。

3.根据权利要求1所述的花生叶片病害识别方法，其特征在于，所述步骤B1包括：对原始图像进行裁剪和分类，统一缩放为224×224像素大小，并进行病害分类，得到不同病害分类下的原始数据集。

4.根据权利要求1所述的花生叶片病害识别方法，其特征在于，所述步骤B4包括：模型训练时采用学习率指数衰减算法，设置初始学习率为0.0001，神经元失活率0.2，迭代次数为50，一阶矩估计β1＝0.9，二阶矩估计β2＝0.999，完成模型的训练并保存。

5.根据权利要求1所述的花生叶片病害识别方法，其特征在于，所述步骤B5中通过如下指标进行评估：其中，P为精确率，R为查全率，Acc为准确率，TP为将正样本预测为正的数目，TN为将负样本预测为负的数目，FN为将正样本错误预测为负的数目，FP为将负样本错误预测为正的数目。