基于改进VGG-16网络的农作物病虫害识别方法技术

本发明专利技术公开了一种基于改进VGG

【技术实现步骤摘要】
基于改进VGG
‑
16网络的农作物病虫害识别方法


[0001]本专利技术涉及图像识别的
，尤其是指一种基于改进VGG
‑
16网络的农作物病虫害识别方法。

技术介绍

[0002]随着我国农业飞速发展，对农作物的产量与质量的要求也不断提高。而农作物病虫害是影响农作物产量与质量的重要因素之一。过去使用人工识别的方法，即靠技术人员对农作物病虫害识别，但技术人员知识和经验水平参差不齐，导致识别准确率不确定性过高，而且只能应对小规模种植，在大规模种植的情况下存在效率低、实时性差和人力物力花费较大等缺点。
[0003]智慧农业要求实现无人化、自动化、智能化农业管理，许多农场通过安装高清摄像头获取农作物图像，使用传统视觉学习方法分析所得图像识别农作物病虫害可以解决人工识别效率低等缺点，也符合智慧农业需求导向，但仍存在准确率较低、缺乏鲁棒性和自适应能力差等缺点。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的缺点与不足，提出一种基于改进VGG
‑
16 网络的农作物病虫害识别方法，该方法实质是在VGG
‑
16网络的基础上提出一种农作物病虫害识别方法，使用已有农作物病虫害图像数据进行训练和识别。迭代训练的模型大体结构与VGG
‑
16网络相同，VGG
‑
16网络原有的多个3*3卷积层替换成GhostNet网络的Ghost Module模块，并在之后增加SE block和BatchNormalization。在计算量更低的情况下，保证良好检测效果，减少VGG
‑
16网络的参数量并提高了模型的执行速度和准确率，也更具鲁棒性。
[0005]为实现上述目的，本专利技术所提供的技术方案为：基于改进VGG
‑
16网络的农作物病虫害识别方法，包括以下步骤：
[0006]S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类；
[0007]S2、将农作物病虫害图像数据中的图像输入到改进VGG
‑
16网络进行参数训练；其中，对VGG
‑
16网络的改进是将VGG
‑
16网络的卷积层换成GhostNet 网络的Ghost Module模块，并在之后增加SE block和Batch Normalization，最后两层为池化层和全连接层；
[0008]S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别，即将一张待测图像输入到该最优网络中，就会准确识别出图像中农作物病虫害的类别。
[0009]进一步，在步骤S1中，对分类后的农作物病虫害图像数据进行分割形成供训练使用的训练集部分、供训练期间验证的验证集部分和供训练后测试的测试集部分，以便后续将图像数据输入改进VGG
‑
16网络进行参数的训练。
[0010]进一步，在步骤S2中，所述改进VGG
‑
16网络的卷积层由GhostNet网络提出的Ghost Module模块、SE block和Batch Normalization组成；Ghost Module 模块先进行普通的卷
积生成少量的特征图，再利用线性运算扩充特征和增加通道；其中，普通卷积的操作表示为：
[0011]Y＝X+f+b
[0012]式中，X为图像输入，b是偏置项，Y∈R
h
×
w
×
n
是n通道的输出特征图，R
h
×
w
×
n
是所有通道输出特征图的集合，f∈R
c
×
k
×
k
×
n
是卷积过滤器，R
c
×
k
×
k
×
n
是所有卷积滤波器的集合，h和w分别是输出数据的高和宽，k
×
k是卷积过滤器的内核尺寸， c为通道数，n为特征图数量；Ghost Module模块的卷积操作表示为：
[0013]Y
′
＝X*f
′
[0014]式中，*表示卷积运算，f
′
∈R
c
×
k
×
k
×
n
是使用的过滤器，Y
′
为输出特征图，此处将偏置项忽略不计，并且得到的特征图数量会比普通卷积操作要少，为了得到相同的特征图数量，会通过线性运算操作来生成剩余的特征图，该线性运算操作表示为：
[0015][0016]式中，m为上一步得到的输出特征图数量，d为线性运算的次数，y
i
′
是Y
′
中的第i个特征图，Φ
i,j
是生成第j个特征图变换y
ij
的第j个线性运算；SE block 是通过自动学习的方式获取每个特征通道的重要程度，并根据重要程度赋予相应的权重值，从而让改进VGG
‑
16网络筛选出重要的特征，继而提高识别的准确率；SE block包含Squeeze、Excitation和Scale操作，其中Squeeze操作属于空间维度的特征压缩，将一个通道上的二维特征压缩为一个实数，表示为：
[0017][0018]式中，Z
c
是一个统计量，F
sq
代表squeeze操作，H和W是数据维数，u
c
是通道c的二维空间核，即特征映射，u
c
(i,j)是通道c维度为(i,j)的二维空间核； Squeeze最终得到各个通道的全局特征，假设原来维度为r，那么Excitation操作先用一个全连接层将输入的全局特征维度降到原来的经过ReLu函数之后再通过一个全连接层提升到原来的维度，最后在Sigmoid函数的作用下化为一个 0
‑
1的归一化权重，表示为：
[0019]s＝F
ex
(z,W)＝σ(g(z,W))＝σ(W2δ(W1z))
[0020]式中，Z是Squeeze操作得到的统计量，s为权重关系，g为门控机制，F
ex
为 Excitation操作，δ为ReLu函数，σ为Sigmoid函数，W1和W2分别为降维和升维参数；最后一步Scale操作将权重加权到每个通道的特征中，表示为：
[0021][0022]式中，是已经加权的特征输出，F
scale
为权重s
c
与特征映射u
c
相乘计算； Batch Normalization即批标准化，使得输入的数据符合同一分布，加快网络的收敛速度，提高网络的自适应能力，防止梯度爆炸、梯度消失和过拟合问题出现；
[0023]所述池化层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进VGG
‑
16网络的农作物病虫害识别方法，其特征在于，包括以下步骤：S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类；S2、将农作物病虫害图像数据中的图像输入到改进VGG
‑
16网络进行参数训练；其中，对VGG
‑
16网络的改进是将VGG
‑
16网络的卷积层换成GhostNet网络的Ghost Module模块，并在之后增加SE block和Batch Normalization，最后两层为池化层和全连接层；S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别，即将一张待测图像输入到该最优网络中，就会准确识别出图像中农作物病虫害的类别。2.根据权利要求1所述的基于改进VGG
‑
16网络的农作物病虫害识别方法，其特征在于，在步骤S1中，对分类后的农作物病虫害图像数据进行分割形成供训练使用的训练集部分、供训练期间验证的验证集部分和供训练后测试的测试集部分，以便后续将图像数据输入改进VGG
‑
16网络进行参数的训练。3.根据权利要求1所述的基于改进的神经网络的农作物病虫害识别方法，其特征在于，在步骤S2中，所述改进VGG
‑
16网络的卷积层由GhostNet网络提出的Ghost Module模块、SE block和Batch Normalization组成；Ghost Module模块先进行普通的卷积生成少量的特征图，再利用线性运算扩充特征和增加通道；其中，普通卷积的操作表示为：Y＝X+f+b式中，X为图像输入，b是偏置项，Y∈R
h
×
w
×
n
是n通道的输出特征图，R
h
×
w
×
n
是所有通道输出特征图的集合，f∈R
c
×
k
×
k
×
n
是卷积过滤器，R
c
×
k
×
k
×
n
是所有卷积滤波器的集合，h和w分别是输出数据的高和宽，k
×
k是卷积过滤器的内核尺寸，c为通道数，n为特征图数量；Ghost Module模块的卷积操作表示为：Y
′
＝X*f
′
式中，*表示卷积运算，f
′
∈R
c
×
k
×
k
×
n
是使用的过滤器，Y
′
为输出特征图，此处将偏置项忽略不计，并且得到的特征图...

【专利技术属性】
技术研发人员：陈梓明，田绪红，古万荣，毛宜军，卢泽伦，何亦琛，柯海萍，何浩明，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：