[发明专利]一种基于DCGAN与RDN的作物病害识别方法及系统

说明书

本发明涉及一种基于DCGAN与RDN的作物病害识别方法及系统，属于农业信息化和植物保护领域，该方法包括：首先进行数据收集，包括网络公开的数据集和人工采集的数据，然后利用数据可视化、数据清洗、DCGAN数据生成等技术保障训练数据集的准确性和分布均衡性；将处理完的数据按照60％训练集，20％验证集和20％测试集的比例进行划分；本发明构建了一个深度残差网络(RDN)识别模型，设置模型训练参数后，加载训练集和验证集进行模型训练；最后将训练好的模型应用于作物叶片病害识别系统中进行作物病害预测，系统返回作物病害类别及概率。该方法可以识别多种作物多种病害，尤其能提升在样本分布不均的情况下识别的准确率。

技术领域

发明涉及农业信息化和植物保护领域，具体地，涉及一种基于DCGAN与RDN相结合的作物病害识别方法及系统。尤其地，涉及一种大规模作物叶片训练数据分布不均衡的情况下利用DCGAN技术来进行数据增强并结合RDN算法从而提升检测准确度的识别方法及系统。

背景技术

1、专业术语：

(1)DCGAN。DCGAN是深度卷积对抗生成网络(Deep Convolutional GenerativeAdversarial Networks)的缩写，本发明主要利用DCGAN技术来进行数据增强，用来扩充训练数据，以增强深度学习网络的泛化能力，增加识别的准确度。

(2)深度残差网络(Deep Residual Network)。一种深度学习模型，请参考图1，该模型由(He,K.,Zhang,X.,Ren,S.,Sun,J.,2016)提出，其主要思想是通过残差连接(Shortcut Connections)的方式，直接把输入x传到输出作为初始结果，输出结果为H(x)＝F(x)+x，当F(x)＝0时，那么H(x)＝x，也就是上面所提到的恒等映射。深度残差网络相当于将学习目标改变了，不再是学习一个完整的输出，而是目标值H(X)和x的差值，也就是所谓的残差F(x)＝H(x)-x，因此，后面的训练目标就是要将残差结果逼近于0，使到随着网络加深，准确率不下降。这种方法解决了由于训练层次加深造成梯度弥散/爆炸成为训练深层次的网络的障碍，从而导致模型无法收敛的问题。

(3)深度密集连接网络(Deep Dense Network)。一种深度学习模型请参考图2，该模型由(Huang,G.,Liu,Z.,Laurens,V.D.M.et al.,2017)提出，其核心思想是在保证网络中层与层之间最大程度的信息传输的前提下，直接将所有层连接起来。在传统的卷积神经网络中，如果有L层，那么就会有L个连接，但是在Dense Network中，会有L(L+1)/2个连接，就是每一层的输入来自前面所有层的输出。这种做法有以下几个优点：a)减轻了梯度消失的问题；b)增加了上面层与下一层传输的特征强度，从而可以更加有效的利用特征；c)减少了参数数量，增加计算效率。

(4)RDN。RDN既残差密集连接网络(Residual Dense Network)的缩写。本发明通过构建RDN深度学习网络来进行作物病害识别。残差密集连接网络首先由(Zhang,Y.,Tian,Y.,Kong,Y.,Zhong,B.,Fu,Y.2018)提出，主要应用在图像超分辨率工作上。该网络结合了深度密集连接网络和深度密集连接网络的优点，组合成新的深度学习网络，既保证避免了梯度弥散/爆炸的问题，又进一步提升了计算效率，请参考图3。

2、国内外研究现状分析

目前主流的作物病害识别方法主要分为传统的计算机视觉与机器学习识别方法和基于深度学习的识别方法。Nanehkaran,YA et al.(2020)提出了一种病害检测方法，作者先将图像进行分割，然后再进行检测，最终平均检测准确度达到75.59％。Yuan,L.,Yan,P.,Han,WY.et al.(2019)提出了一种茶树炭疽病检测方法，作者先将图像二值化，设定一个阈值进行图像分割，然后在利用无监督方法进行分类，这种方法在茶树叶片炭疽病数据集上准确度可达到94％。