[发明专利]一种融合上下文信息的病害图像识别方法

摘要

本发明涉及一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法，与现有技术相比解决了病害图像识别率低、鲁棒性差的缺陷。本发明包括以下步骤：训练图像的收集和预处理；构造并训练混合卷积神经网络模型；待测图像的收集和预处理；将测试样本输入训练完成后的混合卷积神经网络模型中，进行病害图像的自动识别，识别出待测病害图像的类别。本发明将病害图像的图片信息和上下文信息相结合进行混合卷积神经网络的构建，从而提高了病害识别的准确率，增强了病害识别算法的鲁棒性。

主权项

1.一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法，其特征在于,包括以下步骤：11)训练图像的收集和预处理，收集若干幅图像作为训练图像，收集图像的焦点集中在病害症状上，将所有训练图像的大小归一化为256×256像素，得到若干个训练样本；12)构造并训练混合卷积神经网络模型，分别获取病害图像特征和病害图像的上下文信息的特征，将病害图像特征与病害图像的上下文信息特征相融合，构建混合卷积神经网络模型，并对构建后的混合卷积神经网络模型进行训练；所述的构造并训练混合卷积神经网络模型包括以下步骤：121)构建混合卷积神经网络模型，将归一化后的训练样本裁剪成227×227像素大小作为AlexNet网络模型的输入，输出病害图像特征向量，在AlexNet网络模型的基础上添加前馈全连接子网，将图片的上下文信息作为此前馈全连接子网的输入，输出病害图像的上下文信息特征向量，将病害图像特征向量与上下文信息特征向量融合之后再进行全连接，通过softmax分类器输出病害图像所属的类别概率；122)混合卷积神经网络模型的训练，使用imagenet图像集来初步训练构造的混合卷积神经网络模型，将初步训练后模型中的所有或者部分参数值用作最终模型参数的初始值，使用收集的若干病害训练图像对已初步训练过的混合卷积神经网络模型进行微调，进一步优化网络模型的参数，完成对混合卷积神经网络模型的最终训练；13)待测图像的收集和预处理，获取待测图像并将待测图像的大小归一化为256×256像素，得到测试样本；14)将测试样本输入训练完成后的混合卷积神经网络模型中，进行病害图像的自动识别，识别出待测病害图像的类别。