[发明专利]基于卷积神经网络的设施蔬菜病害识别方法及装置

权利要求书

1.一种基于卷积神经网络的设施蔬菜病害识别方法，其特征在于，所述识别方法包括：

自动采集目标设施蔬菜的病斑图像，并构建所述病斑图像对应的输入数据集，其中，所述输入数据集包括：训练数据集、验证数据集和测试数据集；

将所述病斑图像对应的输入数据集作为模型的输入，建立用于识别所述目标设施蔬菜病害种类的卷积神经网络模型；

以及，根据梯度下降算法和所述测试数据集对所述卷积神经网络模型进行模型训练、验证和测试，得到对所述目标设施蔬菜病害的种类识别结果。

2.根据权利要求1所述的识别方法，其特征在于，在所述将所述病斑图像作为模型的输入之前，所述方法还包括：

对所述病斑图像进行预处理；

根据预处理后的病斑图像构建初始数据集，并将所述初始数据集划分为训练数据集、验证数据集和测试数据集；

以及，采用旋转扩充和/或翻转扩充的数据增强方式，对所述初始数据集中的数据量进行扩充，得到所述病斑图像对应的输入数据集。

3.根据权利要求1所述的识别方法，其特征在于，所述将所述病斑图像对应的输入数据集作为模型的输入，建立用于识别所述目标设施蔬菜病害种类的卷积神经网络模型，包括：

将所述病斑图像对应的输入数据集作为所述卷积神经网络模型的输入层的输入；

根据所述输入数据集中的图像数据的图像尺寸建立所述卷积神经网络模型的处理模块；

以及，依次连接所述输入层、处理模块、用于将所述处理模块的输出转化为一维向量的全连接层和用于输出所述目标设施蔬菜病害的种类识别结果的分类器输出层，完成所述卷积神经网络模型的建立。

4.根据权利要求3所述的识别方法，其特征在于，所述处理模块中至少包括依次连接的三个处理单元，且第一个处理单元和第二个处理单元中均包括依次连接的卷积层、修正线性单元ReLU层和池化层，第三个处理单元包括连接的所述卷积层和修正线性单元ReLU层；

其中，依次连接的三个处理单元中的各卷积层中的卷积核的尺寸依次递减、且卷积核的数量依次递增，每个处理单元中的卷积层的卷积核的尺寸均大于同一处理单元中的所述池化层中的卷积核的尺寸。

5.根据权利要求4所述的识别方法，其特征在于，所述根据梯度下降算法和所述测试数据集对所述卷积神经网络模型进行模型训练、验证和测试，得到对所述目标设施蔬菜病害的种类识别结果，包括：

所述处理模块中的三个处理单元中基于梯度下降算法依次对所述输入数据集进行处理和传递，直到所述第三个处理单元中的池化层输出目标特征图；其中，所述处理模块中的所述卷积层提取接收的所述输入数据集的特征图；所述ReLU层对接收到的所述特征图进行非线性转化；所述池化层对接收的非线性转化后的特征图进行尺寸减小处理；

所述全连接层将所述目标特征图转化为一维向量；

以及，所述分类器输出层基于柔性最大值传输softmax分类函数，根据所述一维向量输出所述目标设施蔬菜病害的种类识别结果。

6.根据权利要求5所述的识别方法，其特征在于，所述处理模块中的所述卷积层提取接收的所述输入数据集的特征图，包括：

所述卷积层根据公式一提取接收的所述输入数据集的特征图：

在公式一中，为卷积神经网络模型中第j个卷积层的第i个输出的特征图；m为卷积神经网络模型中第j个卷积层输入特征图的数量；为第j个卷积层的第i个偏置项；为非线性激活函数；

相对应的，所述池化层对接收的非线性转化后的特征图进行尺寸减小处理，包括：

所述池化层根据公式二将接收的非线性转化后的特征图进行尺寸减小处理：

在公式二中，down(·)为降采样函数；F为降采样滤波器大小；S为降采样步长。

7.根据权利要求5所述的识别方法，其特征在于，所述全连接层将所述目标特征图转化为一维向量，包括：

所述全连接层根据公式三将所述目标特征图转化为一维向量：

在公式三中，v^j为第j个全连接层的输出一维向量；w^j为第j个全连接层的权值矩阵；b^j第j个全连接层的偏置项；为非线性激活函数。