[发明专利]一种基于卷积神经网络的苹果叶部病害诊断方法

说明书

本发明提出了一种基于卷积神经网络的苹果叶部病害诊断方法，该方法针对含有不同大小的病变区域的苹果叶病检测问题，提出了多尺度特征提取、V‑空间定位分支和多尺度注意力机制相结合的苹果叶部病害检测方法，实现对不同尺度病斑的准确检测。该方法旨在对不同大小的病斑提取更可靠的特征表示，提高最终检测性能。建立多尺度特征提取，融合不同层次的特征，进一步提高苹果叶片病害，特别是小病斑的检测性能。然后提出了V‑空间定位分支，在增强病斑定位的纹理特征信息方面发挥了重要作用。同时，利用注意力机制，自动学习不同尺度的特征通道对区分不同大小的病斑的重要性。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于卷积神经网络的苹果叶部病害诊断方法和系统。

背景技术

苹果是世界上最畅销的水果之一，而中国也是世界上苹果产量最多的国家，苹果种植面积和产量均占世界总量的40％以上。目前，苹果产业已经成为了继粮食、蔬菜之后我国的第三大农业种植产业。对于它的需求逐渐扩大，伴随着的是多种病害的侵扰。特别是在多雨地区和多雨的月份，常造成病害猖獗流行，给苹果产业带来重大损失。因此，高效准确地苹果病害诊断是采取防治措施及时止损的首要工作。随着计算机视觉技术研究的不断深入，基于深度卷积神经网络的作物病害诊断已成为智慧农业的研究热点。

苹果叶部病害诊断技术主要可以分为两类：传统的疾病防治技术和利用计算机技术的病害诊断技术。传统上，苹果叶部病害诊断过程通过人工实时观察疫情发展动态，再提出防治策略。这种方法非常耗时，由于病害发生规律复杂，对于普通种植者来说很难对各种病变做出明确诊断。这可能导致农药的不合理使用，造成一系列污染问题，破坏苹果的生长环境。利用计算机技术的病害诊断技术有两种技术路线，基于机器学习的特征提取病害诊断方法和基于深度学习的病害检测识别方法。然而，传统的机器学习方法需要相关植物病理学方面的技能和专业知识且严重依赖人工经验进行特征提取，导致检测精度低，难以处理农业领域的复杂实际问题。现有的深度学习病害检测识别方法由于其对不同尺度的病斑适应性较差，无法实现对苹果叶部病害的快速准确诊断，所以对于病害的诊断及防治研究具有十分重大的意义。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种基于卷积神经网络的苹果叶部病害诊断方法和系统，以解决现有技术中苹果叶部病害诊断方法检测精度低，普适性差的问题。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于卷积神经网络的苹果叶部病害诊断方法，包括以下步骤：

步骤1，将待处理图片数据分为训练集、验证集和测试集；

步骤2，将训练集中一批数据输入至VGG前置网络中，通过VGG前置网络提取出不同级别的病害特征；将VGG前置网络中的卷积层4_3、卷积层FC7和卷积层7_2三个卷积层的输出特征图输入至金字塔特征提取器，金字塔特征提取器生成7个金字塔特征图；

对所述训练集中一批数据通过最大池化操作，下采样后获得7个纹理特征图；

将金7个金字塔特征图和7个纹理特征图以通道维度拼接的方法融合后，获得7个病害特征图；

将7个病害特征图通过多尺度注意力模块处理获得每一个病害特征图的分配权重；

步骤3，在每一个病害特征图的单元格中心设置默认框，获得默认框在原图像中的位置信息，通过默认框在原图像的位置信息，计算损失函数；通过损失函数，修改神经网络网络模型的权重参数；

将训练集中的数据分批次输入至神经网络模型中，直至训练集的中数据训练结束且损失函数和模型的预测准确率均趋于稳定时，获得最终的神经网络模型；所述神经网络模型中有每一个特征通道的重要性权重；

步骤4，将待诊断图像输入至神经网络模型中，通过每一特征通道的重要性权重，获得诊断结果，在待诊断图像上标出病害类别和病斑位置。