[发明专利]一种基于Mixup算法的柑橘黄龙病识别方法及装置

说明书

本发明公开了一种基于Mixup算法的柑橘黄龙病识别方法及装置，该方法包括：将待分类的图像进行预处理，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，输出所述图像的分类结果。该方法解决了传统数据增强方法过于依赖原始图像和对抗性样本泛化性不足的局限性，采用基于模型融合的深度可分离卷积分类模型，提高了识别效率，降低了过拟合现象，鲁棒性强。

技术领域

本发明涉及深度学习领域，具体是一种基于Mixup算法的柑橘黄龙病识别方法及装置。

背景技术

柑橘黄龙病(Citrus Hlb，HLB)，是目前对世界的柑橘产业是最严重的病害。在18世纪的时候，该病害在印度的中部地区被发现，当时被称为梢枯病 (dieback)。在中国早些时候，柑橘黄龙病是在南方种植业中发现的，但其发生历史可追溯到更远年代在我国。柑橘黄龙病是在世界各地都是最普遍的果树病害，在中国国内也广泛分布。栽培柑橘的省份有20多个，广东省是其中种植柑橘的主要省份之一。但近年受黄龙病影响，柑橘种植面积在最近几年开始下降，种植区向广西省转移，主要转向广西梧州、贺州、桂林。柑橘园是种植柑橘以及柑橘产量的主要平台，柑橘树患有柑橘黄龙病将直接影响着柑橘的产量，所以采用深度学习方法的智能化检测方式对于柑橘业有着举足轻重的意义。根据对果园发展的参考文献以及果园实地的调查情况进行分析，表明我国的果园管理水平、智能化水平、机械化水平较低。

传统的柑橘图像识别方法，不仅耗时费力，且比较依赖人工去做特征提取的工程，而传统的lenet5、AlexNet模型参数量大、识别准确率低。现有图像分类方法中传统的图像增强方法存在局限性，且网络对不同图片的解析都不同，而且网络性能取决于输入的数据，数据容易受图像清晰度、亮度、对比度等各方面的影响。

因此，如何对柑橘黄龙病进行准确识别，是同行从业人员亟待解决的问题。

发明内容

鉴于上述问题，本发明的目的是解决目前传统数据增强方法过于依赖原始图像和对抗性样本泛化性不足的局限性的问题，实现了对柑橘黄龙病的准确、快速识别。

本发明实施例提供一种基于Mixup算法的柑橘黄龙病识别方法，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。

在一个实施例中，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。

在一个实施例中，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。

在一个实施例中，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：