[发明专利]一种改进VGG19的番茄叶片病害分类方法

说明书

本发明涉及一种改进VGG19的番茄叶片病害分类方法，该方法获取番茄叶片图像，并对图像进行筛选、标记和预处理得到图像数据集；构建改进VGG19神经网络模型，改进VGG19模型结构依次为：2层64个卷积核的卷积层连接1个最大池化层、2层128个卷积核的卷积层连接1个最大池化层、4层256个卷积核的卷积层连接1个最大池化层、4层512个卷积核的卷积层连接1个最大池化层，1层512个3×1的卷积层，1层512个1×3的卷积层，1层512个3×1的卷积层，1层512个1×3的卷积层，1个最大池化层，1层全局平均池化层，完成模型的构建；将图像数据集输入改进VGG19神经网络模型进行训练，输出结果采用softmax函数进行分类；本发明节省了计算资源，提升了速度。

技术领域

本发明涉及一种改进VGG19的番茄叶片病害分类方法，属于计算机视觉和模式识别相关领域。

背景技术

近几年来，随着番茄的大面积种植，一些病害也逐年加重，严重影响了番茄的生产和种植者的经济效益，而叶片是最早会被病害侵袭的部位，如果没有及早的发现病害的侵袭，病害会持续发展进而影响整个植株的生长。

随着计算机图像识别技术的发展，将图像识别技术应用到农作物防治诊断中已经该领域较为常用的做法。以往依靠人为的识别，会存在偏差，并且多种相似的病害，对于普通种植者来说，辨别起来会存在困难。而一般的卷积神经网络的方法，对病害的识别率往往会比较低，还存在模型参数多的问题。

发明内容

本发明为了解决现有技术中存在的问题，提供一种训练速度快，分别准确度高的基于改进VGG19的番茄叶片病害分类方法。

为了达到上述目的，本发明提出的技术方案为：一种改进VGG19的番茄叶片病害分类方法，包括如下步骤：

获取番茄叶片图像，并对图像进行筛选、标记和预处理得到图像数据集；

构建改进VGG19神经网络模型，改进VGG19模型结构为：2层64个卷积核的卷积层连接1个最大池化层、2层128个卷积核的卷积层连接1个最大池化层、4层256个卷积核的卷积层连接1个最大池化层、4层512个卷积核的卷积层连接1个最大池化层、1层512个3×1的卷积层、1层512个1×3的卷积层、1层512个3×1的卷积层、1层512个1×3的卷积层连接1个最大池化层、1层全局平均池化层，完成模型的构建；

将图像数据集输入改进VGG19神经网络模型进行训练，输出结果采用softmax函数进行分类。

对上述技术方案的进一步设计为：对图像进行筛选是从图像中挑选出符合番茄病害的图像，对于不符合的图像进行摒弃处理。

对图像进行标记是对每类不同的病害叶片进行分类标注。

所述图像的预处理包括图像的左右翻转和颜色变化，使每一类的图像均等分布。

神经网络训练过程中采用Leaky ReLu激活函数。

训练改进VGG19神经网络模型时保留前12个卷积层在数据集上训练得到的权重，仅训练后面5层的网络结构。

本发明的有益效果：

(1)通过将3×3×N的卷积层拆分为3×1×N和1×3×N的两个部分的组合，减少了卷积层的计算参数，提高了计算速度。(2)将ReLu激活函数改为LeakyReLu激活函数，弥补模型训练过程中神经元“死亡”的现象。(3)采用预训练的方法，提升训练速度，节省计算资源。(4)本发明方法提高了番茄病害分类的准确率，从而提高番茄病害的识别准确性。

附图说明

图1是本发明所述的改进VGG19模型结构图；

图2是不同激活函数的示意图；

图3是模型训练准确率的结果图；