[发明专利]一种基于卷积网络的葡萄病斑检测方法

说明书

本发明涉及一种基于卷积网络的葡萄病斑检测方法，该方法首先获取待检测的葡萄叶片病害数据集和相应的标注掩码图片；然后将数据集随机划分为训练集和测试集两部分；然后构建卷积神经网络，该卷积神经网络包括编码器和解码器，所述编码器包括特征提取器和自注意力模块，所述特征提取器包括两个卷积层和Mish激活函数；所述解码器由上采样和一个特征提取器组成；再将训练集数据输入到上述卷积神经网络中进行训练，并通过Dice损失函数计算网络中输出的Mask图片与对应标注掩码图片Mi中的每个子像素点的差值；同时将计算出来的差值通过反向传播对每一个卷积核进行更新；最后，测试准确率，该方法快捷、高效且相比于现有方法具有更好的泛化性。

技术领域

本发明涉及一种基于卷积神经网络的葡萄病斑检测方法，属于图像处理领域。

背景技术

在葡萄种植过程中，容易受到天气，环境，微生物，病毒和细菌等影响而产生各种病害，如白粉病、霜霉病、炭疽病、灰霉病、褐斑病和黑腐病等，这些病症多发生在植株叶片部位，严重时会影响植株的光合作用，造成作物产量和品质下降，给果农造成重大经济损失。因此，对葡萄植株叶部病害种类进行快速准确的判定，及时对病害进行防治是提升作物的产量和质量的基础。

目前最常见的农作物病害检测方法，是根据种植经验来判断农作物是否发生了病害，分辨出病害种类以及病害的程度，并根据自己的判断来对其采取相应的防治措施。在农作物种植面积较广的情况下，通过人为方式来识别病害是不切实际的，且这种识别方式覆盖面较小，其准确性难以得到保障。

发明内容

本发明为了解决现有技术中存在的问题，提供一种快捷、高效及具有更好的泛化性的基于卷积网络的葡萄病斑检测方法。

为了达到上述目的，本发明提出的技术方案为：一种基于卷积网络的葡萄病斑检测方法，其特征在于，包括如下步骤：

1)获取待检测的葡萄叶片病害数据集Ri和相应的标注掩码图片Mi；

2)将数据集Ri随机划分为Ti训练集和Vi测试集两部分；

3)构建卷积神经网络，该卷积神经网络包括编码器和解码器，所述编码器包括特征提取器和自注意力模块，所述特征提取器包括两个卷积层和Mish激活函数；所述解码器由上采样和一个特征提取器组成；

4)将训练集数据输入到上述卷积神经网络中进行训练，并通过Dice损失函数计算网络中输出的Mask图片与对应标注掩码图片Mi中的每个子像素点的差值；同时将计算出来的差值通过反向传播对每一个卷积核进行更新；

5)将测试集数据输入到训练好的卷积神经网络中，得到测试集准确率。

对上述技术方案的进一步设计为：所述Ri图片大小为H*W*3，H与W分别为图片的长宽，3为图片通道；Mi图片大小为H*W*1。

所述训练集和测试集分别占数据集Ri总数的90％和10％。

所述特征提取器中两个卷积层的卷积核大小为3*3，步长为1，Padding为1。

所述自注意力网络包括六层：

第一层为特征输入层F1；第二层为最大池化层和平均池化层；第三层为卷积层；第四层为基于H和W的最大池化和平均池化层；第五层为两层的全连接层，激活函数为Rule；第六层为输出层。

所述步骤4)中，将Mi的图片通过归一化压缩，得到的图片为A，取输出层的每个通道数的平均值将其压缩为H*W*1大小，其输出为B，则Dice损失函数可以表达为

所述步骤5)中，测试集的平均像素准确率MAP达到0.9时即完成训练。

本发明与现有技术相比具有以下优点：