[发明专利]一种基于深度融合卷积网络模型的农作物病害识别方法

权利要求书

1.一种基于深度融合卷积网络模型的农作物病害识别方法，其特征在于，包括如下步骤：

步骤1）、基于GoogLeNet和ResNet，搭建深度融合卷积神经网络模型IR_CNN，IR_CNN模型包括用于农作物病害图像多样性特征提取的第一分支卷积神经网络和用于农作物病害图像深层特征提取的第二分支卷积神经网络；两分支卷积神经网络提取的病害图像多样性特征和病害图像深层特征通过Concat函数融合，并通过Average池化层下采样关键病害特征，通过Softmax分类器输出病害识别结果；

步骤1)中，第一分支卷积神经网络为Inception v1模型的有效模块，包含卷积层、池化层和Incepiton模块，其中，池化层数量为4、Inception模块数量为9；

步骤2）、将训练集图像输入IR_CNN模型进行训练，并保存训练好的模型；

步骤3）、将测试集图像输入训练好的IR_CNN模型中进行农作物病害识别，输出识别结果。

2.根据权利要求1所述的基于深度融合卷积网络模型的农作物病害识别方法，其特征在于，Inception v1模型中，在3×3、5×5卷积之前使用1×1的卷积，进行降维。

3.根据权利要求1所述的基于深度融合卷积网络模型的农作物病害识别方法，其特征在于，第二分支卷积神经网络为ResNet50模型的有效模块，包含卷积层、池化层和ID Block模块，其中，池化层数量为1、ID Blcok模块数量为12。

4.根据权利要求3所述的基于深度融合卷积网络模型的农作物病害识别方法，其特征在于，ID Block模块共有4个残差单元，每一残差单元包括3层卷积层，新增使用1×1卷积核，简化计算量。

5.根据权利要求1所述的基于深度融合卷积网络模型的农作物病害识别方法，其特征在于，步骤2）中，对包含14种不同子农作物数据集的公共数据集“PlantVillage”进行筛选，剔除仅有一类健康或病害分类的5种农作物，将剩余的9种农作物数据集命名为“Platdateset”，数据集“Platdateset”中，每种农作物数据集的训练集和验证集比例按照7:3划分，作为步骤2）中的训练集图像和步骤3）中的测试集图像。

6.根据权利要求1所述的基于深度融合卷积网络模型的农作物病害识别方法，其特征在于，IR_CNN通过python在Keras库的基础上搭建，通过ImageDataGenerator函数对训练集图像进行数据增强，包括设置rotation_range、width_shift、shear_range参数，对图像块做旋转、平移、剪切随机变换；同时，对训练集图像进行归一化操作。

7.根据权利要求6所述的基于深度融合卷积网络模型的农作物病害识别方法，其特征在于，设置rotation_range为20，控制随机旋转的角度范围；设置width_shift为0.2，控制随机移动的程度；设置shear_range为0.2，控制剪切变换的程度。

8.根据权利要求1至7中任一项所述的基于深度融合卷积网络模型的农作物病害识别方法，其特征在于，训练过程中，设置训练批次大小为32，遍历次数设置为100，并采用随机梯度下降法对网络权值进行更新优化。

9.根据权利要求8所述的基于深度融合卷积网络模型的农作物病害识别方法，其特征在于，采用随机梯度下降法对网络权值进行更新优化时，动量设置为0.9，权值衰减设置为0.0002，初始学习率设置为0.001。