[发明专利]一种反卷积引导的半监督植物叶部病害识别与分割方法

说明书

本发明提出一种反卷积引导的半监督植物叶部病害识别与分割方法，使用少量病害类别标注和病斑的像素级标注，通过反卷积实现病害种类的识别和病斑区域的分割。本方法通过一致性正则化、熵最小化方法生成无标记样本的类别预测标签；将有标记样本和无标记样本进行图像混合，利用新生成的图像进行半监督病害分类；对类别信息进行上采样，利用少量像素级标记进行半监督病斑分割。在模型训练的过程中，使用指数加权平均更新模型参数，使模型在测试数据上更加鲁棒。本发明适用于标签样本数量不足的植物叶部病害识别与分割的情况，实现了识别与分割的一体化，模型在光线不足、有异物遮挡叶片图像中具有较强的泛化能力，识别和分割速度能够满足实时性要求。

技术领域

本发明属于植物病害检测领域，尤其是一种反卷积引导的半监督植物叶部病害识别与分割方法。

背景技术

病害是影响农作物生长的主要原因之一，及时分析作物病斑特征，有助于迅速给出相应的病害防治指导建议，以消除病害警情。目前，对于植物病害分类，主要存在两类方法。一种是使用人工设计的植物病害特征提取方式，对提取到的特征使用机器学习方法分类，这种方法一般需要先分割出病斑或病叶，增加了前期工作量，且每次都要针对不同的病害组合设计特征提取方法，缺乏鲁棒性，也难以区分相似病害。第二种方法是使用深度卷积神经网络自动提取病害特征进行分类，但是这些端到端的分类器需要大量有标记数据，且卷积神经网络的特征学习过程不透明，容易过拟合，若卷积学习到无用特征则会对病害识别产生干扰。对于植物病害分割，目前主要使用语义分割网络，将图像分为背景和病斑区域，语义分割网络虽可同时分割不同类别的病害，但有两点不足：第一，语义分割网络需要大量的像素级标注；第二，多种病害的病斑相似，在做病斑分割时，只能分成背景和病斑2类，难以对确定病斑所属的病害种类。

针对于上述情况，半监督方法和卷积神经网络的可解释性受到了越来越多的重视。对于植物叶部病害图像而言，病害类别标记需要请病害专家标注，病斑位置的像素级标记需要通过肉眼使用手工标注，这些标记的获取是一项极为耗时耗力的工作。而半监督可以有效缓解这一问题，它利用大量无标记和少量有标记样本进行训练，节省了人工标注的大量开销。对于卷积神经网络而言，传统模型的特征提取过程无法进行人工干预，产生过拟合现象时，模型会对无关特征过度关注。而模型的可解释性可解决这个问题，目前常使用反卷积、导向反向传播和梯度加权类激活映射等方法对卷积神经网络的学习能力进行可视化，来度量当前模型的可解释性。

发明内容

本发明所解决的技术问题在于提供一种反卷积引导的半监督植物叶部病害识别与分割方法，使用少量病害类别标注和病斑的像素级标注，通过反卷积实现病害种类的识别和病斑区域的分割，引导病害识别网络的特征提取部分具有可解释性，提高了病害识别的泛化能力，适用于基于机器视觉的植物叶部病害预警系统。

实现本发明目的的技术解决方案为：

一种反卷积引导的半监督植物叶部病害识别与分割方法，包括以下步骤：

步骤1：构建卷积神经网络模型，初始化卷积神经网络模型的网络参数，并构建与卷积神经网络模型同样参数的指数加权平均(Exponentially weighted moving average，EMA)模型，通过对新模型参数与待更新的模型参数进行加权求和，可得到更加平滑、抖动性更小的新变量，使模型在测试数据上更加鲁棒；

步骤2：植物叶部图像中带有图像级标签或像素级标签的图像为有标记样本，既无图像级标签也无像素级标签的图像为无标记样本，将分为有标记样本和无标记样本用于卷积神经网络模型训练，对有标记样本进行一次图像增强，对无标记样本进行多次图像增强，增强方式为随机裁剪后进行图像翻转，每个无标记样本产生若干个增强的样本；

对若干个增强的样本进行一致性正则化，即计算增强的样本的平均概率分布，再通过熵最小化得到无标记样本类别预测的伪标签，用于训练植物叶部病害识别网络；