[发明专利]一种基于神经网络的植物叶片病变识别方法

说明书

本发明公开了一种植物叶片病变的自动识别方法、装置和电子设备，所述的方法为：通过摄像头或手机获取植物叶片的病变源图像，对划分好的图片进行镜像翻转，平移、旋转、仿射变换、亮度对比度变化的组合手段对图像进行数据增强；对图像经过变换后，像素点出现空值位置采用双性线性插值方法；载入这些原图像；通过卷积对输入图像计算获得特征图。利用注意力机制计算该特征图的通道值以及特征图上的平均值和池化值；利用最小化目标函数调整参数；重复上述过程，确定注意力模块。本发明提出了一种基于融合注意力机制的植物病变的自动识别方法可确保对植物病变叶片自动识别并检测出病变类型，并可根据用户自身需求进行设定以满足不同场合下的应用要求。

技术领域

本发明设计一种智能植物病变叶片识别检测系统，特别设计一种针对复杂背景的植物病变叶片识别检测技术。

背景技术

随着计算机技术和农业信息的不断融合发展，作为其核心技术的植物病变检测识别算法已经成为计算机视觉中一个重要研究方向。能否对获取的少数且背景信息复杂的植物病变叶片图像进行数据扩增、数据预处理、注意力模块处理对于之后的识别检测是十分重要的，也影响到整个系统的精确度。

农作物为人类提供衣服和食物的来源，是所有生存的首要条件。然而，随着劳动力短缺、病虫害泛滥导致农业产量急剧下降，在全球范围内掀起一波粮食短缺浪潮。其中，病毒性疾病是农作物减产的主要原因。鉴于劳动力短缺、人工检测难度大、植物病害种类繁多、识别准确率低等问题，高效的植物病害识别系统显得尤为重要。

目前，针对植物病害叶片识别主要通过人工进行分析判别。通过计算机自动识别可以减轻操作的劳动强度，减少或避免操作者因对植物虫病害叶片反复斟酌而造成主观无误差。另一方面它省去了操作者频繁需要实地采样的不便，大大方便了操作者。相比普通的病害识别系统，少量的数据图像会导致模型对识别效果非常差，并且随着网络层数的叠加会导致模型过拟合现象。对于自然环境获取的植物叶片的图像，往往会受到周围环境的影响，导致图像中背景信息过大从而干扰主体信息的特征。普通的神经网络往往不能注意这些细致主体信息，导致网络在浅层以及深层中不能提取图像有效的信息导致识别效果差。因此利用数据增强以及注意力机制以获取图像中细腻细节就成为了植物叶片病害识别系统正常分析的前提。

目前应用于植物病变识别多为传统的机器学习方法。这种方式是采用图像处理技术来提取图像特征作为识别基础。这种图像处理技术是根据植物图像所具备的特征来分析，从而获得该种类病变中表现明显的特征，将该特征作为判别标准，使用目标最优函数，通过梯度下降算法获取最佳分类标准，完成识别操作。

已提出的各种识别算法，请查考图1所示。一类是传统机器学习模式，通过提取病变图像的特征信息，将处理后的特征信息作为判断依据，搭建病害识别模型。该方法具有实现便捷，计算速度快等优点，但是对于训练样本量大时，会因为特征的选取不当而使得模型效果变差。常用的方法有朴素贝叶斯方法和线性判别分析方法；另一类是通过神经网络的方式进行植物叶片病变识别，主要采用卷积和梯度下降的方法寻找模型全局最优解作为病害图像的识别标准。

如何在有限数据的条件下和数据背景环境复杂的植物叶片病害识别研究一直是研究的难点和热点的问题。理想的植物病害识别系统是应该基于足量的数据作为支撑，但是实际上的数据并不能满足深度学习的要求，往往会面临着数据量不足的问题，导致网络模型在小数据集上进行训练产生过拟合的问题，弱化模型泛华能力。同时在实际的数据采集过程中，会受到自然环境的干扰，使采集的图像受到失真，曝光，噪声等因素的干扰，导致网络模型在训练过程中不能学习到真实的样本信息，出现困在局部最优值的现象。影响样本的识别结果准确性。目前已经提出的各种方法来冲出局部最优点，但是大部分方法依然不能解决通过神经网络提取关键信息的问题。在不能解决图像复杂背景信息的情况下，都可能导致模型不能在最优点进行收敛。因此解决数据量小，关注图像关键信息，构建可靠、稳定、高精度的植物叶片病害识别系统具有重要意义。

发明内容