一种基于深度卷积网络与迁移学习的柑橘虫害识别方法

技术领域

本发明涉及农业种植昆虫种类识别相关技术领域，具体为一种基于深度卷积网络与迁移学习的柑橘虫害识别方法。

背景技术

病虫害的预测防治是现代农业发展中的重要内容，作为世界柑橘的重要原产地之一，柑橘病虫害的预测防治是一个重要的农业研究课题；我国对于农作物病害的识别大多通过人工方式来实现，人工的局限性制约了农作物的大面积病虫害防治；传统方式的识别的效率过低、周期过长，并不适合对于智能化要求比较高的农业虫害识别；柑橘作为四川省的主要种植农产品，具有种植体量大，防控难的特点，每年因虫害造成的损失巨大，基于此，我们开展了对柑橘虫害智能化防控的相关研究。

随着近年来的深度学习的快速发展，为农业虫病虫害图像识别提供了更加先进的识别技术；其中深度学习在处理图像的基础上具有周期短、图像处理便利等优越性，尽管深度学习在很大程度上会占用很多的计算机资源，但是随着迁移学习的引入，加上现如今比较成熟相关任务以及成熟的数据迁移，减少占用计算机资源并且通过数据迁移达到能够节省算法时间，深度学习的效率会有很大的提高；

但是，现有的柑橘虫害识别浪费大量的人力，采集流程较为复杂，识别率低，因此，我们提出一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，以便于解决上述中提出的问题。

发明内容

本发明的目的在于提供一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，以解决上述背景技术中提出的大多数柑橘虫害识别浪费人力，采集流程复杂，识别率低的问题。

为实现上述目的，本发明提供如下技术方案：一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，柑橘虫害识别方法包括以下几个步骤：

步骤一：采集柑橘虫害图像数据信息，制作相应的训练数据集；

步骤二：对所采集的图像数据集进行数据增强和扩张；

步骤三：基于深度卷积网络与迁移学习的改进InceptionV3模型搭建；

步骤四：模型权重参数加载初始化，利用自建小数据集训练模型；

步骤五：模型训练完成，对模型分类性能进行测试。

优选的，所述步骤一中，所采用的数据集图像为网络下载和实地捕虫灯诱杀拍摄，并使用图像采集装置进行采集，通过摄像头拍摄获取，再进行相关预处理。

优选的，所述步骤二中，对所采集的图像数据集进行数据增强后，增强后数据集按照7:2：1的比例，分为训练集、测试集和验证集，所有的训练数据集采用one-hot编码方式，制作图像label。

优选的，所述步骤二中数据增强的方法包括对比度增强、图像旋转、图像翻转和图像加噪(添加椒盐噪声，高斯噪声)。

优选的，所述步骤三模型搭建包括：

步骤1：将InceptionV3作为特征提取网络；

步骤2：加入多尺度融合机制，将底层特征与高层特征融合，增加特征语义信息；

步骤3：采用categorical crossentropy作为分类损失函数。

优选的，所述步骤1中，特征提取模块加入采用了3种不同的Inception模块组合，利用多尺度模型特征融合的方法，强化特征语义信息；InceptionV3引入了1x1的卷积核，达到降维的效果；以此来将大的输入层通过1x1卷积压缩成较小的中间层，构建合理的瓶颈层；既可以显著缩小表示层规模，又不会降低网络性能，从而大大减少计算成本。

优选的，所述步骤1中InceptionV3模块还采用了分解大filter size的卷积的方式，降低计算量；通过卷积的非对称分解可以将nxn卷积分解为1xn和nx1卷积，计算量可以降低为1/n。

优选的，所述步骤3中categorical crossentropy函数作为柑橘虫害分类识别的分类损失函数，其计算公式为：

其中，i是第i个样本，j是第j个类，t是真实标签，p是神经网络给出的第j个类的预测值。

优选的，所述步骤四包括：

步骤(1)：使用pre-training在Image Net数据集上预训练权重模型作为InceptionV3初始化权重模型；

步骤(2)：训练过程中，采用随机梯度下降算法优化训练模型，初始学习率为0.001，权重衰减为0.0001，epoch初始化为50，迭代到第30个epoch，学习率降为上阶段的10％，迭代到第45个epoch，学习率再降为上阶段10％，batch_size设为32。

与现有技术相比，本发明的有益效果是：该基于深度卷积网络与迁移学习的柑橘虫害识别方法，与现有的识别方法相比，节省了大量的人力和物力，且整个采集流程简单易操作化；所用的训练模型，基于InceptionV3模型与迁移学习的基础上，加入了多尺度特征融合的方法，进一步提高了图像特征的包含的语义信息，有效的解决了柑橘虫害特有的昆虫颜色纹理复杂而导致的识别率低的难题。

附图说明

图1为本发明工作流程示意图；

图2为本发明图像采集装置示意图；

图3为本发明inceptionV3示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-3，本发明提供一种技术方案：一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，柑橘虫害识别方法包括以下几个步骤：

步骤一：采集柑橘虫害图像数据信息，制作相应的训练数据集；

步骤二：对所采集的图像数据集进行数据增强和扩张；

步骤三：基于深度卷积网络与迁移学习的改进InceptionV3模型搭建；

步骤四：模型权重参数加载初始化，利用自建小数据集训练模型；

步骤五：模型训练完成，对模型分类性能进行测试。

本发明更进一步的，所述步骤一中，所采用的数据集图像为网络下载和实地捕虫灯诱杀拍摄，并使用图像采集装置进行采集，通过摄像头拍摄获取，再进行相关预处理。

本发明更进一步的，所述步骤二中，对所采集的图像数据集进行数据增强后，增强后数据集按照7:2：1的比例，分为训练集、测试集和验证集，所有的训练数据集采用one-hot编码方式，制作图像label。

本发明更进一步的，所述步骤二中数据增强的方法包括对比度增强、图像旋转、图像翻转和图像加噪(添加椒盐噪声，高斯噪声)。

本发明更进一步的，所述步骤三模型搭建包括：

步骤1：将InceptionV3作为特征提取网络；

步骤2：加入多尺度融合机制，将底层特征与高层特征融合，增加特征语义信息；

步骤3：采用categorical crossentropy作为分类损失函数。

本发明更进一步的，所述步骤1中，特征提取模块加入采用了3种不同的Inception模块组合，利用多尺度模型特征融合的方法，强化特征语义信息；InceptionV3引入了1x1的卷积核，达到降维的效果；以此来将大的输入层通过1x1卷积压缩成较小的中间层，构建合理的瓶颈层；既可以显著缩小表示层规模，又不会降低网络性能，从而大大减少计算成本。

本发明更进一步的，所述步骤1中InceptionV3模块还采用了分解大filter size的卷积的方式，降低计算量；通过卷积的非对称分解可以将nxn卷积分解为1xn和nx1卷积，计算量可以降低为1/n。

本发明更进一步的，所述步骤3中categorical crossentropy函数作为柑橘虫害分类识别的分类损失函数，其计算公式为：

其中，i是第i个样本，j是第j个类，t是真实标签，p是神经网络给出的第j个类的预测值。

本发明更进一步的，所述步骤四包括：

步骤(1)：使用pre-training在Image Net数据集上预训练权重模型作为InceptionV3初始化权重模型；

步骤(2)：训练过程中，采用随机梯度下降算法优化训练模型，初始学习率为0.001，权重衰减为0.0001，epoch初始化为50，迭代到第30个epoch，学习率降为上阶段的10％，迭代到第45个epoch，学习率再降为上阶段10％，batch_size设为32。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。