[发明专利]一种基于改进EfficentNet-V2的植物叶片疾病识别方法

说明书

本发明提供一种基于改进EfficentNet‑V2的植物叶片疾病识别方法，涉及控制和模式识别技术领域。本发明对已有的EfficentNet‑V2模型进行改进。经实际数据集验证，该模型在保证识别准确率的前提下提高了训练速度和推理速度，即预测所需时间。能够较好地弥补人工识别效率低；解决了现有用于植物疾病识别模型训练困难，难以部署，识别速度慢等缺陷，实现对植物疾病快速并且准确的识别。

技术领域

本发明涉及控制和模式识别技术领域，尤其涉及一种基于改进EfficentNet-V2的植物叶片疾病识别方法。

背景技术

深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术等领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题。深度学习在人工智能方面取得很大的进步。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有文字识别，图像和语音分析的能力。深度学习在图像识别方面取得的效果，远远超过先前相关技术。

图像分类，核心是从给定的分类集合中给图像分配一个标签的任务。实际上，这意味着我们的任务是分析一个输入图像并返回一个将图像分类的标签。标签总是来自预定义的可能类别集。

EfficientNet是由谷歌团队于2019年提出，该模型同时探索了输入分辨率，网络的深度，宽度的影响，且在当年的图像分类任务中取得最好成绩。2021年4月，谷歌对EfficientNet做出了一系列改进，最新提出的EfficientNet-V2准确率相比之前网络增加了1个百分点，且进一步减少了模型参数，训练速度提升了11倍。本发明在EfficientNet-V2基础上进行改进，对浅层的结构优化，实验表明模型训练速度和推理速度均有小幅提高。

完整的图像分类步骤一般形式如下：

1、输入一组训练图像数据集；

2、使用该训练图像数据集训练一个分类器，该分类器能够学习每个类别的特征；

3、使用测试集来评估分类器的性能，将预测出的结果与真实类别标记进行比较；

目前利用深度学习的方法在图像分类上已经取得重大进展，从一开始的LeNet到后来的VGGNet，再到google的Inception系列，再到ResNet系列，每一种神经网络模型都有其创新的点，其准确率已逐渐满足日常需要。然而在实际应用中，为方便部署，模型训练速度和推理速度也不容忽视，对一些轻量级的网络如MobileNet，ShuffleNet，EfficientNet等的研究逐渐流行。

大多数植物疾病表现出明显的症状，目前被接受的技术是由有经验的植物病理学家通过对受感染植物叶片的光学观察来诊断疾病。疾病诊断过程手动执行缓慢的事实以及诊断的成功与病理学家的能力成正比的另一个事实使得这个问题成为计算机辅助诊断系统的一个极好的应用领域。传统的机器学习方法中，手动特征提取应该完美无缺以获得成功的结果，而现在需要一种不需要预处理并且能够执行成功分类的模型。

利用深度学习的方法，建立一种有效的图像分类模型，在解决植物疾病识别的研究上有重要意义。

发明内容

针对现有技术存在的问题，本发明提供一种基于改进EfficentNet-V2的植物叶片疾病识别方法，对已有的EfficentNet-V2模型进行改进。经实际数据集验证，该模型在保证识别准确率的前提下提高了训练速度和推理速度，即预测所需时间。

为了解决上述技术问题，本发明采用以下的技术方案：