[发明专利]一种基于卷积胶囊网络结构的抗噪茄科病害识别方法

权利要求书

1.一种基于卷积胶囊网络结构的抗噪茄科病害识别方法，其特征在于，包括如下步骤：

1)建立常见茄科病害数据集，利用现有的一些网络架构自动提取病害特征，并进行手工标注；

2)输入自动提取茄科病害病害数据集；

3)图像增强，即旋转、平移，翻转等操作，扩大数据集；

4)将数据集划分为训练集、验证集和测试集；

5)输入数据后，设计了并行卷积层，用不同尺度的卷积核进行卷积，对于每一个卷积层后都加上BN层；

6)结合Inception结构和SeNet模块搭建网络的特征提取部分；

7)将提取到的特征传输给胶囊网络实现分类；

8)对数据集中训练集进行训练；

9)保存训练好的模型；

10)使用训练好的模型对测试数据集测试输出。

2.根据权利要求1所述基于卷积胶囊网络结构的抗噪茄科病害识别方法，

其特征在于，所述步骤2)输入茄科病害数据集；步骤3)进行图像增强，即采用旋转、平移和翻转操作后，扩大了数据集；然后在步骤4)中将数据集划分为训练集、验证集和测试集；具体处理是步骤5)在输入数据后，设计了并行卷积层，用不同尺度的卷积核进行卷积，对于每一个卷积层后都加上BN层；即图1中的卷积后都采用BatchNormalization批归一化；批归一化的主要目的是通过一定的规范化手段把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为1的标准正态分布；这样有助于加快收敛速度，大大加快训练速度；批归一化的输入为一个批次中x的值：B＝{x_1…x_m}，需要学习的参数γ,β；输出为{y_i＝BN_γ，β(x_i)}；具体的流程如下：

首先计算批次B的均值和方差：

每个批次x值的平均：

每个批次的方差：

上式中的x_i表示批次中第i个数据，μ_B代表批次均值，而代表批次方差，之后将数据归一化，得到均值为0方差为1的数据

归一化：∈表示在归一化过程中设置的参数

即BN的规格转换为：其中γ,β是需要学习的参数，x_i代表批次B中的数据。

3.根据权利要求1所述基于卷积胶囊网络结构的抗噪茄科病害识别方法，其特征在于，所述步骤6)是将Inception结构和SeNet模块结合搭建网络，提取部分特征，利用Inception的结构来减少模型的参数量从而减小模型的大小，采用SENet模块来提高网络的精度，并把SENet和Inception结构相结合；得到InceptionV2结构。

4.根据权利要求3所述基于卷积胶囊网络结构的抗噪茄科病害识别方法，其特征在于，所述InceptionV2结构是把InceptionV1中的5×5卷积改成了两个3×3卷积，为加快收敛速度，在InceptionV2结构中的卷积之后也添加了BN层。

5.根据权利要求1所述基于卷积胶囊网络结构的抗噪茄科病害识别方法，其特征在于，所述步骤7)将提取到的特征传输给胶囊网络实现分类，在分类网络中引入残差注意力机制，可以聚集图像中目标的局部特征，提高检测精度；即从特征通道之间的关系入手，显示建模特征通道之间的相互依赖关系。

6.根据权利要求1所述基于卷积胶囊网络结构的抗噪茄科病害识别方法，其特征在于，所述步骤8)对数据集中训练集进行训练；在训练过程中，观察训练曲线是否收敛。此处损失函数的采用的是间隔损失函数；其具体表示为

L_k＝T_kmax(0，m⁺-||v_k||)²+λ(1-T_k)max(0，||v_k||-m^-)²)，

L_k表示第k个数字胶囊的损失，整个胶囊网络的损失由所有数字胶囊损失累加而成；

T_k表示k类是否存在，存在为1，不存在为0；v_k表示第k个胶囊；当前数据为第k类时即胶囊预测正确时，T_k＝1，否则T_k＝0；max(0，m⁺-||v_k||)²计算预测正确胶囊的损失，m⁺为0.9即当预测为正确的概率大于等于0.9时，该项为0；(1-T_k)max(0，||v_k||-m-)²计算预测错误胶囊的损失，m^-为0.1即当预测为正确的概率小于等于0.1时，该项为0，初始λ的值为0.5。