[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

说明书

本发明公开了一种基于深度融合卷积神经网络的农作物病害识别方法，该方法提出的IR_CNN模型由Inception v1和ResNet50中的有效模块级联而成，其可分别提取农作物病害图像多样性和深层特征，并进行融合。IR_CNN模型模块由不同分支的神经网络构成，增加了总体网络的宽度，且将全连接甚至一般的卷积都转化为稀疏连接，减小了网络的计算量。本发明结合不同网络模型的特征提取能力，可更好地获得农作物病害图像中的多样性特征和深层特征，后续将特征进行融合，通过训练学习，可更好地识别出不同农作物的多种病害类别，尤其是复杂的农作物病害，并具有较高的识别精度。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于深度融合卷积网络模型的农作物病害识别方法。

背景技术

农作物是人类在农业生产活动中栽培的各种植物，分为粮食作物和经济作物两大类，无论是哪类作物，对于国家和人民都有着至关重要的价值。然而，由于不同环境的作用，农作物在其生长过程中，会受到诸如恶劣天气、外界真菌、人为因素等一系列的侵害，这对于农作物的生产有着极坏的影响。因此，农作物的病害不仅制约着我国农产品的稳产和高产，而且，也影响着农产品品质。近年来，农作物的病害给我国农业生产带来了巨大的损失，据不完全统计，由于各种病害的影响，我国粮食年损失约为4000万吨，占全国粮食生产总量的8.8%，已经严重威胁到粮食作物的生产。

随着计算机技术的不断发展，以机器学习为代表的识别方法也应用到了农作物的病害识别之中。在农作物病害的识别过程中，该识别模式需提取出农作物病害图像的多个特征并加以判断，最终便可通过训练学习的方式识别出病害的类别，具有较好的效果。与此同时，也出现了一系列图像预处理方法及特征选择技术，如图像增强和主成分分析方法等，加强了对病害特征的提取程度，因此，特征的提取与处理成为了该识别模式效果好坏的一个关键因素。但无论该识别模式如何发展，在识别之前需手动提取特征，一方面造成了较大的工作量，另一方面对于特征的处理不当则会造成识别效果的降低。因此，该识别模式具有一定的局限性，在实际中也无法大量推广。

近年来，深度学习在图像识别领域中应用较为广泛，而卷积神经网络是深度学习的典型代表之一，该网络不仅具有很强的学习能力，而且可以实现图像特征的自动提取并达到很好的识别效果，相比于传统的机器学习方法，深度学习可以直接将图像作为输入，并从原始像素中经过少量的预处理得到图像的有效表征。卷积神经网络能够提取农作物病害图像中丰富、抽象、深层次的语义信息，在很大程度上优于传统的农作物病害识别方法。然而，在卷积神经网络模型结构中，随着网络层数的加深可以提取到更深层次的特征，但在训练过程中可能会丢失部分浅层特征；而随着网络加宽则可以提取到多种浅层特征并在一定程度上减少参数量，但却很难提取到更深层次的特征。此外，由于农作物图像中的病害区域信息过于复杂，现有CNN（卷积神经网络）模型对于多种农作物病害识别存在一定的缺陷。

发明内容

本发明提出一种可识别不同农作物的病害类别，并具有较高识别精度的基于深度融合卷积网络模型的农作物病害识别方法。

本发明所采用的技术方案为：

一种基于深度融合卷积网络模型的农作物病害识别方法，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；