[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

说明书

本发明公开了属于图像分类技术领域的一种基于卷积胶囊网络结构的抗噪茄科病害识别方法。建立常见茄科病害数据集，并进行手工标注；输入自动提取茄科病害病害数据集；基于深度卷积网络的病害识别，通过网络进行特征处理及分类，将数据集划分为训练集、验证集和测试集；保存训练好的模型；使用训练好的模型对测试数据集测试输出。本发明采用了一种卷积胶囊网络，可以提高速度、精度的同时，有着良好的抗噪性，对于常见椒盐、高斯和模糊噪声有着较好的抗噪性。网络相比较CNN而言只需要较少的数据就可以达到较高的识别精度，能够为硬件端的部署以及实际生产提供可行依据。

技术领域

本发明属于图像分类技术领域，特别涉及一种基于卷积胶囊网络结构的抗噪茄科病害识别方法。

背景技术

茄科作物例如番茄，茄子，枸杞，马铃薯，辣椒等是广泛栽培的作物，具有很高的经济价值。而病害会影响茄科作物产量和质量，每年有大量的作物被不同的病害所侵害，造成巨大的经济损失。植物病害的准确检测和鉴定是影响植物生产的关键要素。基于传统机器视觉的农作病害识别主要步骤是利用图像处理技术对农作物病害图像进行预处理，对一些特定的特征进行特征提取之后，使用分类器对所提取到的特征进行分类，从而实现农作物病害的分类识别。.王利伟等人在[1]“基于计算机视觉的葡萄叶部病害识别研究.”中使用不同核函数的支持向量机对葡萄叶部病害进行识别。基于深度特征学习的农作物病害图像识别通常采用深度卷积神经网络学习，输入图像的特征，并对学习到的特征进行自动分类，网络直接输出该图像的类别概率，是一种端到端的图像识别方法。Nachtigall LG[2]等使用AlexNet模型对六种共两千多幅苹果病害图像进行识别，其识别准确率超过了专家识别的准确率。

基于深度卷积网络的病害识别，主要是利用现有的一些网络架构自动提取病害特征，通过网络进行特征处理及分类。钟勇等[3]基于DenseNet网络结合回归、多标签分类和聚焦损失函数，对苹果病害叶片进行识别，测试集的准确率分别为93.51％、93.31％和93.71％,均优于传统交叉熵损失。Chen等[4]利用迁移学习,选择了在ImageNet上预先训练的VGGNet和Inception模块用于水稻病害识别,平均识别精度达到92％。然而卷积神经网络对于噪声图片的识别性较差且需要大量的数据进行训练。胶囊网络作为一种所需训练数据少，抗噪性强的网络在图像处理领域得到了成功应用。丁永军等[5]基于卷积胶囊网络对百合病害的识别进行了研究，并使用高斯噪声、椒盐噪声、斑点噪声、仿射变换图像进行模型抗噪能力测试，最后与VGG-16网络进行了对比，实验结果表明卷积胶囊网络明显优于VGG-16模型。

在本发明中，以茄科病害为研究对象，自建了一个包含4类病害和正常叶片总计5个类别，共计1835张图片的茄科数据集。参考GoogLeNet网络架构，我们结合InceptionV2、SENet、批归一化算法和胶囊网络，提出了一种的具有一定抗噪性的病害识别网络。我们利用InceptionV2结构，结合SENet模块和BN层，搭建了网络的特征提取部分，将提取到的特征传输给胶囊网络，在训练的过程中不断进行参数调优。实验结果表明，我们的方法在自建茄科病害数据集和PlantVillage公开数据集上的具有较高识别精度的同时对于常见的高斯、椒盐和模糊噪声具有一定的抗噪性，且在相同数据量下我们模型的识别精度优于常见轻量级模型。本发明参阅了如下现有技术：

1.GoogLeNet

GoogLeNet提出了Inception结构，这个结构很好地利用了网络中的计算资源，并且在不增加计算负载的情况下，增加网络的宽度和深度。同时，为了优化网络质量，采用了Hebbian原理和多尺度处理。GoogLeNet在分类和检测上都取得了不错的效果。GoogLeNet取得了ILSVRC-2014的冠军，top-5的错误率达到了6.67％。

2.Batch Normalization