[发明专利]一种轻量级多尺度CNN模型的小麦病害检测方法

说明书

本发明涉及小麦病害检测技术领域，尤其涉及一种轻量级多尺度CNN模型的小麦病害检测方法；包括以下步骤:S1、利用拍摄设备采集小麦病害图像,将小麦病害图像尺码大小统一，并对每类病害进行分类标注；S2、通过旋转、对称翻转、提高对比度对小麦病害数据扩充，将原始数据集扩充到8495张；按照训练集:验证集:测试集＝6:2:2的比例划分数据集；S3、设计小麦病害图像检测的网络模型；S4、将S2中得到的小麦病害训练样本在S3所设计的网络模型中进行训练并在测试集上测试；本发明结构简单，计算量小，适用性广泛。

技术领域

本发明涉及小麦病害检测技术领域，尤其涉及一种轻量级多尺度CNN模型的小麦病害检测方法。

背景技术

小麦的产量和质量受多种因素的影响，小麦病害不仅是非常重要的因素之一，而且还是制约优质小麦高效生产的主要因素。小麦病害的种类众多，在全世界范围能够查阅到200多种小麦病害，在中国存在约20种发生较重的小麦病害，小麦白粉病、小麦锈病、小麦叶枯病等是很典型且较为严重的小麦病害。在中国，因病害影响，小麦的产量将近减少三分之一，这对粮食生产有巨大的危害。

基于机器学习的小麦病害识别方法依赖于图像的显式特征提取，这些图像特征的提取策略是人们基于先验知识制定的，一方面步骤繁杂，效率较低，特征提取依赖研究人员的知识和经验；另一方面，这些人工提取的特征往往存在于图像浅层，适用面窄。

基于深度学习的小麦病害识别方法对资源和时间的需求大，部署成本高，难以应用于移动设备和嵌入式设备等资源受限的场景，而且精度难以保证。

在农村，农民很难请到病害专家或者使用昂贵的设备鉴别病害，都是通过经验来判断作物是否患病。因此，研究一种结构简单、计算量小、适用性广泛、可以配备到移动端上的小麦病害识别方法，对帮助农民识别小麦病害、提高小麦产量和质量具有重要意义。

发明内容

本发明的目的在于克服了现有的人工检测步骤繁琐、机器学习方法对病害识别的精度不高和经典深度学习方法部署和使用成本较高，难以应用于资源受限的移动设备和嵌入式设备等场景的问题，而提供了一种轻量级多尺度CNN模型的小麦病害检测方法，本发明结构简单，计算量小，适用性广泛。

本发明的目的是通过如下措施来实现的：一种轻量级多尺度CNN模型的小麦病害检测方法，包括以下步骤:

S1、利用拍摄设备采集小麦病害图像,将小麦病害图像尺码大小统一，并对每类病害进行分类标注；

S2、通过旋转、对称翻转、提高对比度对小麦病害数据扩充，将原始数据集扩充到8495张；按照训练集:验证集:测试集＝6:2:2的比例划分数据集；

S3、设计小麦病害图像检测的网络模型；

S4、将S2中得到的小麦病害训练样本在S3所设计的网络模型中进行训练并在测试集上测试；

S5、将已训练好的模型在验证集上进行验证，快速精准识别各种小麦病害。

优选的，所述步骤S1具体为:将采集小麦病害图像保存同一图片格式，并且统一图片尺码大小；对采集到的图像进行分类标注。

优选的，所述步骤S2中,所收集的小麦病害样本来实际麦田拍摄，数据集共3003张,通过旋转、对称翻转、提高对比度等操作对小麦病害数据扩充，将原始数据集扩充到8495张；按照训练集:验证集:测试集＝6:2:2的比例划分数据得到训练集5097张，验证集1699张，测试集1699张。

优选的，所述步骤S2中，在每一层残差模块中加入CBAM和NAM注意力模块；CBAM整体的注意过程可以概括为：