一种基于深度迁移学习的茶叶病害识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115731434A(43)申请公布日2023.03.03(21)申请号202211517565.8(22)申请日2022.11.29(71)申请人云南农业大学地址650201云南省昆明市盘龙区沣源路452号云南农业大学(72)发明人叶荣章广传王白娟李彤(74)专利代理机构北京隆达恒晟知识产权代理有限公司11899专利代理师张沛钦(51)Int.Cl.G06V10/774(2022.01)G06V10/82(2023.01)G06V10/764(2023.01)G06N3/0464(2022.01)G06N3/096(2022.01)权利要求书1页说明书5页附图3页(54)发明名称一种基于深度迁移学习的茶叶病害识别方法(57)摘要本发明公开了一种基于深度迁移学习的茶叶病害识别方法，属于图像目标检测技术领域，所述的一种基于深度迁移学习的茶叶病害识别方法能够进行茶叶病害类别分类，通过数据增强提高茶叶病害在小样本和样本分布不均的情况下的识别准确率，在ResNet34模型中引入迁移学习，利用ResNet34模型训练，在利用迁移学习的方式对模型进行微调，减少训练参数的数量，克服过拟合，使模型更为关注茶叶病害的特有特征。通过对分类效果的评估得出微调后的ResNet34模型优于传统模型。CN115731434ACN115731434A权利要求书1/1页1.一种基于深度迁移学习的茶叶病害识别方法，其特征是，包括以下步骤：步骤1：采集茶叶病害图片，标注茶叶病害类型，构建基础数据集；步骤2：对标注完成的茶叶病害类型图片进行预处理与数据增强；步骤3：将步骤2处理完成的图片划分为训练集、测试集；步骤4：构建实例迁移ResNet34模型，所述的ResNet34模型最后一层为全连接层，输出数为茶叶病害类型类别数，通过训练集对ResNet34模型进行训练，确定模型超参数；步骤5：将步骤4训练完成的ResNet34模型超参数及权重进行保存,逐步冻结卷积层进行微调，直到冻结所有的卷积层为止，保存微调完成后的ResNet34模型；步骤6：使用测试集评估模型对茶叶病害类型的分类效果。2.根据权利要求1所述的一种基于深度迁移学习的茶叶病害识别方法，其特征是，步骤1所述的茶叶病害类型为茶轮斑病、茶芽枯病与茶白星病。3.根据权利要求1所述的一种基于深度迁移学习的茶叶病害识别方法，其特征是，步骤2包括以下步骤：步骤2.1：将标注完成的茶叶病害类型图片分辨率统一更改为224*224，将尺寸都更改为相同尺寸；步骤2.2：对不同类型的茶叶病害图片进行数据增强，直至各茶叶病害类型图片数量一致。4.根据权利要求3所述的一种基于深度迁移学习的茶叶病害识别方法，其特征是，步骤2.2所述的数据增强方法为：随机翻转、平移、缩放比例、调整亮度。5.根据权利要求1所述的一种基于深度迁移学习的茶叶病害识别方法，其特征是，步骤3所述的训练集、测试集按照8：2的比例进行划分。6.根据权利要求1所述的一种基于深度迁移学习的茶叶病害识别方法，其特征是，步骤4中所述的ResNet34模型主干特征网络中卷积块设定为layer1、layer2、layer3和layer4，采用残差结构，激活函数设定为ReLU函数，损失函数为交叉熵损失函数，所述的超参数为batch_size、学习率lr。7.根据权利要求1所述的一种基于深度迁移学习的茶叶病害识别方法，其特征是，步骤5包括以下步骤：步骤5.1：冻结ResNet34模型卷积层前六层；步骤5.2：对其余卷积层及全连接层重新训练，使其关注茶叶病害类型特有特征，保存模型权重；步骤5.3：向下冻结模型卷积层，直至冻结所有卷积层为止。8.根据权利要求1所述的一种基于深度迁移学习的茶叶病害识别方法，其特征是，步骤6通过混淆矩阵评估模型效果，评估参数包括准确率、精确率、召回率、特异率以及单个epoch的时间。2CN115731434A说明书1/5页一种基于深度迁移学习的茶叶病害识别方法技术领域[0001]本发明属于图像目标检测技术领域，更具体的说涉及一种基于深度迁移学习的茶叶病害识别方法。背景技术[0002]传统茶叶病害的识别主要是依靠专业植保人员的现场诊断，难以满足现阶段茶园大规模种植发展的要求。近年来，随着人工智能技术在作物病害识别领域的研究进展，采用传统图像目标检测模型对作物病害进行识别大幅降低了作物发病率、提高了作物产量。茶叶病害与传统作物病害不同，茶叶病害类别样本数据分布不均，采用原始数据样本对识别模型进行训练易导致模型过拟合，识别准确度较差。茶叶病害需要在病害前期进行判断，此时病害区域所占叶片面积较小、与正常叶片色差差别不大，采用传统图像目标检测模型难以提取关键特征，无法对茶叶病害类别进行分类。发明内容[