[发明专利]一种基于区域卷积神经网络的茶叶病害检测方法

权利要求书

1.一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，包括如下步骤：

S1形成训练集样本数据，采集若干茶树叶片的图像作为样本图像，对样本图像进行预处理，得到健康叶片和病害叶片样本图像数据，将样本图像数据作为训练集和检测集；

S2获得待检测叶片图像的特征图，在区域卷积神经网络的基础网络部分输入待检测叶片图像并获得特征图，将特征图作为区域建议网络的输入；

S3生成特征图建议区域，区域建议网络采用滑动窗口在特征图上扫描生成锚点，对锚点对应不同形态的锚点样本框进行重叠区域过滤，并用来训练区域卷积神经网络。在训练过程中，实现区域建议网络与区域卷积神经网络共享公共卷积层，训练完成后，对区域建议网络生成的建议区域进行过滤。

S4完成检测并输出待检测叶片图像病害类别的概率向量，将步骤3过滤后的建议区域作为区域卷积神经网络检测网络的输入，检测网络完成叶片图像病害的检测识别和分类。

2.如权利要求1所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，所述区域卷积神经网络包括基础网络、区域建议网络、检测网络。

3.如权利要求2所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，所述基础网络基于经典卷积神经网络，由卷积层、修正线性单元和池化层组成。

4.如权利要求3所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，在步骤S3中，区域建议网络与区域卷积神经网络之间采用交替训练来实现公共卷积层的特征共享。

5.如权利要求4所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，在S3步骤中，所述区域建议网络和区域卷积神经网络的卷积层特征共享，具体步骤如下：

51.使用图片网络预训练区域卷积神经网络的基础网络，使区域卷积神经网络模型初始化，然后独立训练区域建议网络；

52.将区域建议网络生成的建议区域作为区域卷积神经网络的输入，用图片网络对区域卷积神经网络进行预训练，使该模型初始化；

53.使用训练后的区域卷积神经网络来更新区域建议网络，在训练时仅更新区域建议网络的卷积层，训练完成后，区域卷积神经网络和区域建议网络开始共享卷积层；

54.保持共享的卷积层的参数不变，微调区域卷积神经网络的全连接层，将区域建议网络统一到区域卷积神经网络中，完成交替训练。

6.如权利要求5所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，在S3步骤中，所述区域建议网络生成的建议区域采用非极大值抑制算法消除冗余的建议区域来进行建议区域的过滤。

7.如权利要求6所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，在S3步骤中，所述采用非极大值抑制算法消除冗余的建议区域。主要步骤为：

71.通过对所有建议区域的置信度进行得分排序，选择得分最高的建议区域；

72.遍历其余的建议区域，和当前得分最高的建议区域进行IOU比较，如果重叠度大于一定的阈值，就对其它建议区域进行舍弃，保留得分最高的建议区域并对其进行标记；

73.再从未处理的其他建议区域中选择一个得分最高的区域，重复72的步骤，直到找到所有被标记的区域。

8.如权利要求7所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，在S4步骤中，所述步骤3过滤后的建议区域作为区域卷积神经网络检测网络的输入，将特征图与过滤后的建议区域输入池化层，将建议区域对应在特征图相应的位置上并固定在同一尺寸，进行最大池化操作后输入全连接层。

9.如权利要求8所述的一种基于区域卷积神经网络的茶叶病害检测方法，其特征在于，所述全连接层后面连接了两个同级的输出层，分别为分类层和回归层，所述分类层通过归一化指数函数分类并输出病害类型的概率向量。所述回归层用于调整待检测叶片图像建议区域对应的病害位置，使其与病害位置更为接近。