[发明专利]基于改进DenseNet模型的番茄叶片病害识别方法

说明书

本发明公开了一种基于改进的DenseNet模型的番茄叶片病害识别方法，用Ghost bottleneck模块替换了原Densenet模型的Bottleneck layer，在保证识别性能的同时大大减少了模型的计算量以及参数量，将第二Ghost bottleneck中的第二个Ghost模块中的卷积核大小为3×3的普通卷积替换成空洞卷积，以及第三Ghost bottleneck中的第二个Ghost模块中的卷积核大小为3×3的普通卷积替换成空洞卷积，提高了对于多尺度变化的番茄病害的识别精度，引入了CMIFA注意力机制模块，在仅增加少量参数以及计算量的同时，提高了在复杂背景下的番茄病害的识别精度；优点是识别精度高，且模型结构简单，模型的参数量以及计算量较小，能够在实际生活中推广使用。

技术领域

本发明涉及番茄叶片病害识别方法，尤其是涉及一种基于改进DenseNet模型的番茄叶片病害识别方法。

背景技术

番茄含有丰富的营养物质，在世界各地广泛种植。然而，番茄在生长发育过程中容易受到在生长和发育过程中容易受到各种疾病的影响，这些疾病会降低其质量以及产量，影响食用口感，甚至导致绝收，造成严重的经济损失，且这些疾病大都会体现在番茄叶片上。因此，快速、准确地检测番茄叶片病害有助于农业的可持续发展，防止不必要的财政和其他资源的浪费。

传统的番茄叶片病害鉴定方法需要对病害区进行人工检查或化学分析，通常需要经过培训的专家来鉴定和诊断。然而，专家在诊断过程中容易受到疲劳和情绪变化等个人因素的影响，会造成对疾病的误判或诊断不及时，给农民带来巨大的经济损失。随着机器学习以及深度学习在近几年快速发展使得番茄叶片病害识别取得了一定的突破性进展。基于机器学习的番茄叶片病害识别方法通过手工提取病害图像的纹理和形状等特征，然后输入基于机器学习的分类器进行识别，准确性较低且需要人工标注番茄病害特征，而这些特征因病害而异，从而导致其费时费力。此外，即使是同一种疾病，在不同的发病阶段表现出来的症状也有很大的不同，而且容易受到光照和复杂背景等噪声的干扰，这使得疾病症状特征的提取非常困难。卷积神经网络凭借其能够自动提取病叶特征进行识别，在作物病害识别方面取得了显著的发展，但是传统的卷积神经网络尽管会使用具有不同感受野的多个列或来自网络不同阶段的多个分支来捕捉番茄叶片病害类内和类间多尺度的变化，但是它们捕获的尺度多样性会受到列或分支数量的限制，因此当尺度变化过于剧烈时就会导致网络的识别精度低。并且传统卷积神经网络的特征提取不够全面，没有重点学习图像中的重要特征，因此在复杂背景下，网络模型会学到更多的背景特征信息，从而导致识别精度低。此外，此类方法模型结构复杂，导致模型的参数量以及计算量大，难以在实际生活中推广使用。

发明内容

本发明所要解决的技术问题是提供一种识别精度高，且模型结构简单，模型的参数量以及计算量较小，能够在实际生活中推广使用的基于改进DenseNet模型的番茄叶片病害识别方法。

本发明解决上述技术问题所采用的技术方案为：一种基于改进的DenseNet模型的番茄叶片病害识别方法，包括以下步骤：

S1、对DenseNet模型进行如下四点改进，得到LGDNet(Lightweight Ghost DenseNetwork)模型：

一、先将DensenNet模型的每个Dense Block中的多个依次连接的Bottlenecklayer均采用三个依次连接的Ghost bottleneck模块进行替换，将这三个依次连接的Ghostbottleneck按照先后顺序分别命名为第一Ghost bottleneck，第二Ghost bottleneck和第三Ghost bottleneck，此时，DensenNet模型中除最后一个Dense Block的第三Ghostbottleneck与其全局平均池化层连接，其中每个Dense Block中的第三Ghost bottleneck均与一个Transition Layer连接；