[发明专利]一种基于Mixup算法的柑橘黄龙病识别方法及装置

权利要求书

1.一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，包括：

将待识别的图像进行预处理，对预处理后的图像进行数据增强；

将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系；

对处理后的图像的像素点进行BN批量归一化处理，使所述像素点符合正态分布；

将所述正态分布的像素点输入基于模型融合的深度可分离卷积分类模型，输出所述图像的识别结果。

2.如权利要求1所述的一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，将待识别的图像进行预处理，包括：

根据所述待识别的图像长宽大小进行中心裁剪固定尺寸，统一裁剪为预设尺寸的图像。

3.如权利要求1所述的一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，所述数据增强的方式包括以下一种或多种：

错切：错切的程度为-5到5之间，错切角度为-16°到16°；

高斯噪声：将原始像中添加一些高斯噪声，将数据扩充N倍；

插值：插值顺序为[0，1]，采用最邻近插值和双线性插值；

图像仿射：保持图像的平直性，包括旋转，缩放，平移，错切操作；

均值扰动：从最邻近像素中取均值扰动；

中值扰动：通过最近邻中位数进行扰动。

4.如权利要求1所述的一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系，包括：

k＝λk_i+(1-λ)k_j

y＝λy_i+(1-λ)y_j

式中，特征向量k_i，i∈{1，......，m}，y_j，j∈{1，......，m}，m个样本，i、j为样本编号，y_j为独热编码，λ属于[0，1]区间。

5.如权利要求1所述的一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，所述基于模型融合的深度可分离卷积分类模型由下述步骤训练生成，包括：

采集、扩充柑橘黄龙病图像，进行预处理，对预处理后的图像进行数据增强；

将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系；

对处理后的图像的像素点进行BN批量归一化处理，使所述像素点符合正态分布；

构建一个卷积神经网络模型；所述卷积神经网络模型包含一个含有深度可分离卷积模块、分类器、输出网络三部分；所述卷积神经网络模型是在深度可分离卷积模型的基础上利用权重连接上下之间的网络，用ResNeXt模块作为输出层；

将所述正态分布的像素点输入到深度可分离卷积模块，经过池化层作下采样，减少参数量，计算卷积神经网络输出值与真实值之间的损失值；

使用反向传播算法，根据随机梯度下降算法沿着所述损失值下降的方向微调整个网络的权重w；

当所述损失值趋向于收敛时，停止训练模型，生成基于模型融合的深度可分离卷积分类模型。

6.如权利要求5所述的一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，所述分类器为sigmoid分类器，添加在最后一层，对输入图像进行二分类。

7.如权利要求5所述的一种基于Mixup算法的柑橘黄龙病识别方法，其特征在于，计算卷积神经网络输出值与真实值之间的损失值，通过下述公式进行计算：

式中，E表示预测值与真实值之间的差值，r′是经过激活函数的输出，在0和1之间。

8.一种基于Mixup算法的柑橘黄龙病识别装置，其特征在于，包括：

数据增强模块，用于将待识别的图像进行预处理，对预处理后的图像进行数据增强；

计算处理模块，用于将数据增强后的图像进行Mixup算法处理，建立样本之间的线性关系；

归一化模块，用于对处理后的图像的像素点进行BN批量归一化处理，使所述像素点符合正态分布；

输出模块，用于将所述正态分布的像素点输入基于模型融合的深度可分离卷积分类模型，输出所述图像的识别结果。