[发明专利]一种基于改进EfficentNet-V2的植物叶片疾病识别方法

权利要求书

1.一种基于改进EfficentNet-V2的植物叶片疾病识别方法，其特征在于，包括以下步骤：

步骤1：获取植物样本数据集；所述样本数据集中的图像数据为彩色图像，包括不同植物的健康叶片图像以及患病叶片图像；

步骤2：建立基于改进EfficientNet-V2的图像分类模型；

步骤2中所述图像分类模型包括图像特征提取模块以及分类器；

所述图像特征提取模块包括Stage0到Stage6，其中Stage0到Stage3为FusedMBConv模块，即特征提取模块浅层，Stage4到Stage6为MBconv模块，即特征提取模块深层；FusedMBConv模块包括卷积层和Dropout层，引入注意力机制，输入数据经过卷积运算后，通过Dropout层输出；MBconv模块包括卷积层和Dropout层，引入了注意力机制SE模块，包括全局平均池化层和全连接层，输入数据经过一个升维的卷积运算后，使用SE模块进行处理，再通过一个卷积运算降维，最终经Dropout层输出提取到的特征信息；

所述分类器包括一个卷积层，一个pooling层和一个全连接层，由图像特征提取模块得到的特征信息经过卷积层处理后再使用池化处理，最终经过全连接层输出图像所属类别的概率值；

步骤3：构建训练集，使用步骤2中图像分类模型，利用反向传播算法更新训练权重；

步骤3中所述反向传播算法将样本数据集中的图像数据输入到图像分类模型，计算网络输出值与实际值之间的误差，并将该误差反向传播，在反向传播的过程中，根据误差按照梯度下降法调整网络中各层中的权重；不断迭代上述过程，直至loss曲线收敛；

步骤4：利用步骤3得到的训练权重进行叶片疾病预测；

在步骤3中反复迭代到loss最小，保存此时的训练权重，将待检测的植物图像建立测试集，将测试集数据输入到改进的EfficientNet-V2模型中，得到植物的疾病预测结果，即识别叶片疾病的概率。