[发明专利]一种基于神经网络的植物叶片病变识别方法

权利要求书

1.一种智能植物叶片病变识别系统，其特点在于，它包含由摄像头或者其他拍摄采集部分，PC机或其他基于处理器的数字系统上的植物叶片病变识别软件部分。

2.如权利要求1所述的植物叶片病变识别软件部分，其算法上面的特征在于，它提出了一种基于注意力机制神经网络的植物叶片病变识别算法。在该植物叶片病变算法中，首先将原始图像输入到图像预处理模块中，将数据进行重定义大小设置，将数据进行组合数据增强操作。将扩增后的数据转化成神经网络中需要的向量形式。转换成向量的数据通过神经网络中卷积层，提取出该数据的特征信息，随着网络层数的增加，将数据主体信息特征提取出来。数据通过池化层，使得数据在维度上、尺寸上进行缩放，达到增加模型稳定，减少模型参数的效果。批归一化对数据进行规范化处理，并通过激活函数使得数据更具非线性效果，增强模型的表现能力。最终通过全连接层以及softmax层对数据进行输出，输出值对应的是植物叶片病变种类概率值，从而检测出植物叶片病变种类。

3.如权利要求2所述的数据扩增手段。其具体方式为：对数据进行随机扩增手段。为了实现图像数据集的鲁棒泛化，在数据增强过程中包括引入基于高斯分布的噪声水平。为了保证随机噪声的可见性，将随机数乘以一个正则化常数。在{0.1,0.2,0.3,0.4}之间随机生成均值参数，在{0,0.1，…，0.5}之间随机生成偏差参数。利用Box-Muler算法生成正态分布随机变量。该算法原理如下：

假定，X,Y服从均值为0，方差为1的高斯分布，并且相互独立。令P(X)和P(Y)分别为其密度函数，则

由于X,Y相互独立，因此它们之间的联合概率密度满足：

令：

X＝Rcos(θ),Y＝Rsin(θ)

则：

由此可得R与θ分布函数P_R与P_θ：

显然，θ服从在(0,2π)上的均匀分布。

令：

反函数为：

当z在(0,1)上服从均匀分布,R的分布函数为F_R(r)。因此可以选择两个服从(0,1)上均匀分布的随机变量U₁、U₂，使得：

θ＝2πU₁，1-z＝U₂，即：

将上式带入：

X＝Rcos(θ),Y＝Rsin(θ)

得：

通过上述公式可以了解到，只需要U₁、U₂服从(0,1)上的均匀分布，就可以一步步反推出X，Y服从均值为零，方差为1的高斯分布。通过随机数生成的高斯分布随机值，将其与原始图像上的像素值进行叠加，然后在量化在0～255之内，就生成了高斯加噪的图像。旋转，镜像通过更改对应位置的像素值来达成。在经过上述手段后，扩增后的图像出现像素空值时，使用双线性插值方法来填充空穴像素点。