[发明专利]一种基于卷积神经网络的农作物病虫害识别方法

权利要求书

1.一种基于卷积神经网络的农作物病虫害识别方法，其特征在于：

选取典型的农作物病虫害作为主要研究对象，利用CCD相机采集真实场景下的农作物病虫害图像并建立数据集；

通过图像预处理对农作物病虫害数据集进行扩充；

提出基于卷积神经网络的农作物病虫害识别模型；

将数据集划分为训练集、验证集和测试集，利用训练集和验证集对提出的模型进行训练，训练完成后，保存模型参数即训练权重；

调用已训练完成的农作物病虫害识别模型对测试集农作物病虫害图像进行识别。

2.如权利要求1所述的一种基于卷积神经网络的农作物病虫害识别方法，其特征在于，所述预处理包括：

对数据集图像进行清洗，去除虚化的病虫害图像及其他含有噪音的病虫害图像，并采用随机旋转、随机镜像、随机裁剪、色彩增强等数据增强方法，以对数据集进行扩充。

3.如权利要求1所述的一种基于卷积神经网络的农作物病虫害识别方法，其特征在于，所述农作物病虫害识别模型包括：

利用Inception模块；

引入空间金字塔池化(SPP)模块；

采用LeakyReLu代替ReLu作为激活函数；

引入批归一化算法(BN)。

4.如权利要求3所述的一种基于卷积神经网络的农作物病虫害识别方法，其特征在于，所述Inception模块包括：

Inception模块全部采用3*3和1**1的卷积，并将两个3*3的卷积核替换成1**3和3*1的卷积核，在保证性能的同时进一步减少参数，最终将四条不同尺度的特征进行串联过滤。

5.如权利要求3所述的一种基于卷积神经网络的农作物病虫害识别方法，其特征在于，所述空间金字塔池化(SPP)模块包括：

分别采用4*4、2*2、1*1的平均池化将输入特征集合分解为16、4、1的块，并将池化后的块进行特征融合，得到固定的21维度大小的特征向量；因此可以利用不同维度的图像作为输入，使得原始图像特征得到良好的保留。

6.如权利要求3所述的一种基于卷积神经网络的农作物病虫害识别方法，其特征在于，所述激活函数包括：

采用LeakyReLu作为激活函数，数学公式如下：

其中，x表示来自上一层的输入，α表示引入的负梯度(通常赋值为0.01)。

7.如权利要求3所述的一种基于卷积神经网络的农作物病虫害识别方法，其特征在于，所述批归一化算法(BN)包括：

批归一化算法(BN)介于所提出的模型中每一次卷积和LeakyReLu激活函数之间，对每一次卷积后的值作归一化处理，数学公式如下：

其中，x表示来自上一层的输入，N为样本数量、C、H、W分别为每个样本的通道数、高和宽，μ_c(x)和σ_c(x)表示对每个通道输入求其均值与方差，ε是为了避免被除数为0而引入的微小正数。

8.如权利要求1或3所述的一种基于卷积神经网络的农作物病虫害识别方法，其特征在于，所述农作物病虫害识别模型以Inception模块作为主要神经单元，通过引入空间金字塔池化(SPP)模块和批归一化算法(BN)，以LeakyReLu作为激活函数，得到网络层数为15层的农作物病虫害识别模型。

9.如权利要求1所述的一种基于卷积神经网络的农作物病虫害识别方法，其特征在于，所述训练集、验证集和测试集划分比例为8:1:1；

训练超参数设置如下：批量大小为220，迭代次数为100次，正则化系数设为0.0001，采用Adam优化器，在验证集上每进行5次迭代验证一次并采用单GPU进行训练。