[发明专利]基于深度学习的图像识别方法及在水稻病害识别上的应用

说明书

本发明公开了基于深度学习的图像识别方法及在水稻病害识别上的应用，包括：获取包含目标对象的图像训练集；采用图像扩增和图像对比度调整对训练集图像进行数据增强处理；获取训练完成的深度学习网络，所述训练完成的深度学习网络通过图像训练集和构造的待训练深度学习网络经过训练获得，所述待训练深度学习网络的构造和训练基于辅助模型实现；获取待进行识别的图像，进行图像中目标对象的识别，本发明在深度学习网络的搭建和训练过程采用辅助模型来完成，利用已有的基于大数据集训练完成的网络模型，选择其中的部分权重参数和网络层搭建待训练网络模型，并通过输入图像训练集进行网络微调训练，显著缩短训练时间和提高分类准确度。

技术领域

本发明涉及图像识别领域，具体涉及基于深度学习的图像识别方法及在水稻病害识别上的应用。

背景技术

水稻病害的诊断和识别对于提高水稻质量具有重要的意义。将图像处理和机器视觉技术应用于水稻病害识别中，相对于传统人工诊断和识别方法具有无法比拟的优越性，提高了农作物病害监测和预警的能力。

基于图像识别的水稻病害识别过程中，遇到的问题包括：

(1)水稻病害图像的背景信息量巨大，对图像中目标区域的分割过程带来困难；

(2)水稻病害种类多种多样，同一生长时期，病害种类和病害位置不同。不同生产时期，同一种类病害的形状、颜色等特征也不同，水稻病害特征多变、病害关联度高和病害复杂度高，采用深度学习网络模型训练识别的过程，增加了计算量和建模工作量，降低了识别速度；

(3)采用深度学习网络模型过程中，需要大量的水稻病害图像进行训练以达到识别准确率，但是目前水稻病害图像没有如此庞大数量的数据集，不能够达到理想的分类效果。

发明内容

针对上述现有技术存在的问题，本发明提供了基于深度学习的图像识别方法，包括：

(11)获取包含目标对象的图像训练集，所述训练集中的图像携带标注数据；

(12)采用图像扩增和图像对比度调整对训练集图像进行数据增强处理；

(13)获取训练完成的深度学习网络，所述训练完成的深度学习网络通过图像训练集和构造的待训练深度学习网络经过训练获得，所述待训练深度学习网络的构造和训练基于辅助模型实现；

(14)获取待进行识别的图像，预处理后输入训练完成的深度学习网络，获取图像中目标对象的识别结果。

作为上述方案的进一步优化，所述辅助模型的选择方法为辅助模型的任务领域和图像训练集的训练任务领域相同且辅助模型的数据集与图像训练集的相似度满足第二预设阈值区间。

作为上述方案的进一步优化，所述辅助模型的数据集与图像训练集的相似度采用最大均值差异算法MMD获取。

作为上述方案的进一步优化，所述辅助模型的类型采用深度卷积网络。

作为上述方案的进一步优化，待训练深度学习网络的构造和训练基于辅助模型实现的方法为：

(41)获取辅助模型的隐藏层和隐藏层权重参数；

(42)将辅助模型的卷积层和池化层及其对应层的权重参数迁移到待训练深度学习网络；

(43)在待训练深度学习网络中的池化层加入一层空间金字塔池化层，将所有空间金字塔池化层输出融合后连接到全连接层，所述全连接层采用3层；

(44)固定待训练深度学习网络的卷积层和池化层的权重参数，将图像训练集输入待训练深度学习网络进行全连接层的权重参数训练；

(45)当网络模型的输出值和输入值对应的标注数据的差异性小于第一预设值时，取消对网络参数的固定，进行全网络层权重参数的微调；