[发明专利]一种基于深度学习的农作物病害检测算法

摘要

本发明涉及一种基于深度学习的农作物病害检测算法，包括：(1)获取训练集和测试集并对训练集进行图像预处理；(2)将训练集输入到具有自适应多尺度的模型中进行训练，该模型连结了两种全局池化层，使用了有差异性学习速率的迁移学习同时使用了Focal loss为损失函数；(3)将测试集图像输入到训练好的检测模型中预测图像的病害类型。本发明的方法相比其他算法使用了差异性学习速率的迁移学习提高了检测性能和泛化能力，同时连结两种全局池化层使得模型保留更多细节信息和具有尺寸自适应性，通过渐进式学习策略加快模型收敛且使用Focal loss缓解类别不平衡的问题，该算法对病状相近的病害具有更好的检测性能。

主权项

1.一种基于深度学习的农作物病害检测算法，其特征在于，包括如下步骤：(1)图像采集，利用摄像头对农作物叶子进行拍摄，获取相关的数据集并对图像重命名，如1.jpg，2.jpg，3.jpg，…，M.jpg等，同时标定每张图像中农作物病害种类；(2)图像划分，将图像划分成训练集和测试集两部分，两个部分不存在相同的图像，训练集用来训练农作物病害检测模型，测试集用来评估农作物病害检测模型的性能；(3)图像预处理，统计各类图像的数量并对数量较少的图像进行过采样，对全部图像都进行线上数据增强，包括随机灰度化、左右翻转、上下翻转、对角线翻转、随机裁剪和亮度变化；(4)训练检测模型，将经过图像预处理后的训练集图像通过有差异性学习速率的迁移学习和以Focal Loss为损失函数的自适应多尺度resnet50网络，对得到的预测结果与真实标签进行对比计算分类损失，通过带动量的梯度下降算法更新模型参数；(5)农作物病害图像检测，将测试集中的图像输入到训练好的农作物病害检测模型中，通过前向传播得到该图像的农作物病害类型。