一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111400536A(43)申请公布日2020.07.10(21)申请号202010165554.2G06T7/00(2017.01)(22)申请日2020.03.11G06T7/11(2017.01)G06T7/136(2017.01)(71)申请人无锡太湖学院G06T7/41(2017.01)地址214000江苏省无锡市滨湖区钱荣路G06T7/90(2017.01)68号(72)发明人吴阳李文霞刘洁张亚勤吴景春于莲双(74)专利代理机构北京商专润文专利代理事务所(普通合伙)11317代理人朱锦国(51)Int.Cl.G06F16/583(2019.01)G06F16/55(2019.01)G06K9/62(2006.01)G06K9/46(2006.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法(57)摘要本发明公开了一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，包括以下步骤：进行番茄叶片图像数据集的收集，将收集的番茄叶片图像数据集采用数据集扩充方法进行扩充得到扩充图像数据库，进行图像数据集的预处理；构建改进的残差神经网络识别模型,将经过预处理的图像数据集，输入到所述改进的残差神经网络识别模型完成模型的训练；将完成训练的模型对待实际待检测图片进行识别。本申请采用改进的残差神经网络识别模型,利用可分离多尺度卷积module1、module2的配合对番茄叶片实现病害识别，拓展了网络宽度，准确率达到较高水平，占用内存较少，可以实现低性能终端上对番茄病害的实时识别，并可以推广到其他类似应用场景的农作物病害识别。CN111400536ACN111400536A权利要求书1/2页1.一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，其特征在于，包括以下步骤：进行番茄叶片图像数据集的收集，将收集的番茄叶片图像数据集采用进行扩充得到扩充图像数据库；构建改进的残差神经网络识别模型,将经过预处理的图像数据集，输入到所述改进的残差神经网络识别模型完成模型的训练；将完成训练的模型对待实际待检测图片进行识别，得到测试结果。2.根据权利要求1所述的一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，其特征在于，所述改进的残差神经网络识别模型包括4个Stage模块、3个Reduction模块、最大池化Max-pooling、平均池化Average-pooling、Dropout层、全连接层FC和Softmax分类器；所述改进的残差神经网络识别模型的识别步骤包括：1)输入图像经过第一个Stage模块以及一个最大池化MaxPooling；2)然后依次交替经过Stage和Reduction模块，通过Reduction模块特征图的尺寸降为一半，并逐渐扩充通道数；3)最后通过平均池化Average-pooling、Dropout层、全连接层FC最后输出到Softmax分类器进行分类得到识别结果。3.根据权利要求2所述的一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，其特征在于，4个Stage模块分别依次为Stage1、Stage2、Stage3、Stage4，所述Stage1是由3个3*3的卷积串联而成，其中第一个卷积的stride为2；stage2和stage3分别由两个module1模块串联构成；stage4由两个module2模块串联构成。4.根据权利要求3所述的一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，其特征在于，3个Reduction模块均为相同的Reduction模块，Reduction模块使用了深度可分离卷积和channelshuffle代替标准卷积的操作。5.根据权利要求4所述的一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，其特征在于，Dropout层的操作是在训练过程中以一定概率随机剔除部分神经元，使得反向传播时不更新其对应的参数，参数为0.8。6.根据权利要求1所述的一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，其特征在于，在将完成训练的模型对待实际待检测图片进行识别之前，还包括对待实际待检测图片进行远景图片和近景图片的分类。7.根据权利要求6所述的一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，其特征在于，对远景图片和近景图片的分类具体包括：通过果实、叶片、背景三者所占图片大小的比例来判断距离的远近；使用RGB空间下的颜色特征来估计图像；通过RGB颜色算子，将原始的三维问题转化为一维问题，采用简单的颜色特征分析对图像进行初始粗分类。8.根据权利要求7所述的一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，其特征在于，为了量化该判