[发明专利]一种基于多阶段训练的农作物病害长尾图像识别方法

说明书

本发明涉及一种基于多阶段训练的农作物病害长尾图像识别方法，属于深度学习和图像识别领域。该方法包括：搭建卷积神经网络模型对农作物病虫害进行识别，并采用多阶段训练的方法进行训练提高模型的鲁棒性和对不均衡数据的识别能力。第一阶段训练采用原始的不均衡的数据进行模型训练，让模型学习到原始的数据分布；第二阶段训练采用CutMix增强后的数据集进行模型训练，提升模型的鲁棒性；第三阶段训练采用平衡采样后分布均衡的数据集进行模型训练，训练时冻结卷积模块的参数更新，只更新全连接层参数，在保留前两阶段获得的特征提取能力的同时提升模型对尾部类别的分类能力。本发明能提高自然场景下复杂的不均衡分布的病虫害图像识别准确率。

技术领域

本发明属于深度学习和图像识别领域，涉及一种基于多阶段训练的农作物病害长尾图像识别方法。

背景技术

传统的农作物病害识别方法是使用手工设计的特征去提取病斑，然后再输入到分类器中进行分类，这类方法较为繁琐且鲁棒性较差。

卷积神经网络在计算机视觉领域有着广泛的应用，在目标检测和图像识别等领域发挥着重要的作用，但是需要大量均衡的数据来训练卷积神经网络才可能是使其达到优异的性能。然而在真实世界中，数据的分布是呈现为长尾分布的状态，少数头部类占有大量的数据，其他尾部类只占有少量的数据，卷积神经网络用长尾分布的数据进行训练模型性能会出现大幅的下降。

农作物病害种类繁多且爆发难以预测，收集到的数据多为不均衡长尾分布的，难以收集到大量均衡的数据。卷积神经网络使用均衡的数据集进行训练，对农作物病害的能够达到较高的识别准确率，然而在真实的长尾分布下卷积神经网络的性能显著下降。因此提高卷积神经网络在长尾分布下的识别能力，对将神经深度学习技术部署在实际的生产环境中有巨大的推动作用。

发明内容

有鉴于此，本发明的目的在于提供一种基于多阶段训练的农作物病害长尾图像识别方法，解决自然环境中背景复杂农田环境对农作物病害识别的干扰问题，以及自然真实环境中农作物病害数据分布不均匀使得卷积神经网络模型对尾部类识别精度低的问题，用于提高自然场景下复杂的不均衡分布的病虫害图像识别准确率。

为达到上述目的，本发明提供如下技术方案：

一种基于多阶段训练的农作物病害长尾图像识别方法，具体包括以下步骤：

S1：获取长尾分布的农作物病害数据集，记为原始数据集；

S2：对原始数据集进行处理，使用CutMix进行数据增强，得到增强数据集；

S3：对原始数据集进行处理，使用平衡采样方法进行采样，得到平衡数据集；该平衡数据集每个类别具有相同的样本数量。

S4：搭建深度卷积神经网络模型；

S5：训练第一阶段，先使用原始的数据集输入到步骤S4搭建的深度卷积神经网络模型中进行训练，使CNN模块学习到原始的数据分布，第一阶段训练完成后保留训练后的模型；

S6：训练第二阶段，加载第一阶段训练后保存的模型，将增强数据集输入模型进行第二阶段的训练，由于农作物叶片相互遮挡增加识别的难度，使用CutMix进行数据增强模拟农作物叶片遮挡情况，可提高模型在实际生产环境中的鲁棒性，完成第二阶段的训练后保留模型；

S7：训练第三阶段，加载第二阶段训练后保存的模型，冻结CNN模块的参数更新，只更新DNN全连接层网络参数，使用平衡数据集作为输入进行第三阶段的训练，提升模型的对长尾数据分类性能，完成第三阶段的训练后保存模型。

进一步，步骤S1中，所述原始数据集是在自然农田环境中拍摄的实际数据，未经过人工平衡等处理环节，是不均衡的原始数据集。

进一步，步骤S2中，所述增强数据集是经过CutMix增强后所获得的数据集，表示为：