[发明专利]一种基于迁移学习的植物叶片病虫害程度分类方法

权利要求书

1.一种基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，包括以下步骤：

S1、收集已诊断出病虫害信息的植物叶片图像，得到初始植物叶片病虫害数据集；

S2、对初始植物叶片病虫害数据集进行仿射变换，并进行随机增减光亮和归一化处理，得到统一尺寸的预处理植物叶片病虫害数据集；

S3、对预处理植物叶片病虫害数据集进行0填充，得到植物叶片病虫害数据集；

S4、将植物叶片病虫害数据集按N∶M∶L的比例分配为训练集、验证集和测试集；

S5、根据ResNet50型网络架构，建立残差神经网络模型，从前到后依次为卷积层、最大池化层和16个残差块；

S6、在残差神经网络模型的末端增添平均池化层、Flatten层、第一全连接层和第二全连接层，得到初始神经网络；

S7、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型，进行迭代训练，得到训练完成的神经网络；

S8、使用训练完成的神经网络对植物叶片图像进行处理，得到叶片种类、病虫害种类以及病虫害程度的结果。

2.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S2中随机增减光亮的具体公式为：

f＝g×α+β

其中，g为原始图像，f为增减光亮的图像，α为变换对比度因子，β为亮度变化因子，α∈(0.9，1.1)，β∈(-10，10)。

3.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S5中的卷积层由7×7×64大小的卷积核构成，其padding深度为3，stride参数值为2。

4.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S5中的最大池化层的池化窗口大小为3×3，其padding深度为0，stride参数值为2。

5.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S5中的16个残差块从前到后分别为3个第一类残差块、4个第二类残差块、6个第三类残差块和3个第四类残差块；

所述第一类残差块由1个1×1×64大小的卷积核、1个3×3×64大小的卷积核和1个1×1×256大小的卷积核依次连接而成；

所述第二类残差块由1个1×1×128大小的卷积核、1个3×3×128大小的卷积核和1个1×1×512大小的卷积核依次连接而成；

所述第三类残差块由1个1×1×256大小的卷积核、1个3×3×256大小的卷积核和1个1×1×1024大小的卷积核依次连接而成；

所述第四类残差块由1个1×1×512大小的卷积核、1个3×3×512大小的卷积核和1个1×1×2048大小的卷积核依次连接而成。

6.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S6中的平均池化层的池化窗口大小为2×2。

7.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S6中的第一全连接层采用Relu作为激活函数，输出维度为2048。

8.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S6中的第二全连接层采用Softmax作为激活函数，输出维度为61，其值代表61种农作物的病害程度。

9.根据权利要求1所述的基于迁移学习的植物叶片病虫害程度分类方法，其特征在于，所述步骤S7包括以下步骤：

S71、将ImageNet图像识别数据库中提供的各层神经元权重值导入初始神经网络模型，并锁定初始神经网络中除两个全连接层和16个残差块以外的各神经元权重值；

S72、通过训练集、验证集和测试集对初始神经网络进行训练，其中使用Adam优化器对16个残差块的各神经元权重值进行迭代；

S73、使用反向传播算法对两个全连接层的各神经元权重值进行迭代，直至该神经网络输出精度不再提高，得到训练完成的神经网络。