[发明专利]基于神经网络的植物叶片病害分类方法、装置、计算机设备及计算机可读存储介质

说明书

本申请提供了一种基于神经网络的植物叶片病害分类方法、装置、计算机设备及计算机可读存储介质。所述神经网络包括初始层、中间层和输出层，所述植物叶片病害分类方法包括：获取目标图像；将所述目标图像输入所述初始层，提取出叶片特征信息；将所述叶片特征信息输入所述中间层，提取出病害特征信息；将所述叶片病害特征信息输入所述输出层进行分类，得到预测结果。本申请提供了的基于神经网络的植物叶片病害分类方法，识别效率和准确率较高。

技术领域

本申请涉及图像识别技术领域，特别是涉及植物叶片病害类型识别。

背景技术

早期准确地检测植物的病害类别并使用正确的方法治疗植物疾病可以有效防止病害的扩散和保证植物的正常生长。传统的植物病害检测方法不仅需要花费大量的人力和物力，而且效率和准确率较低。

近几年来，深度学习技术不断发展，特别是卷积神经网络技术在图像分类与识别等任务类型上表现出了更快的速度和更高的准确率。现有图像识别技术在人脸识别、语音识别等任务类型上较为成熟，然而，在应用到植物叶片病害类型识别时，难度较大，精度有待提高。

发明内容

本申请提供了一种基于神经网络的植物叶片病害分类方法，能够提高识别效率和准确率。

本申请提供的基于神经网络的植物叶片病害分类方法，所述神经网络包括初始层、中间层和输出层，所述植物叶片病害分类方法包括：

获取目标图像；

将所述目标图像输入所述初始层，提取出叶片特征信息；

将所述叶片特征信息输入所述中间层，提取出病害特征信息；

将所述叶片病害特征信息输入所述输出层进行分类，得到预测结果。

可选的，所述初始层依次包括一次卷积层、一次池化层、二次卷积层以及二次池化层。

可选的，所述中间层包括多个图像特征提取模块，所述叶片特征信息依次经过各所述图像特征提取模块提取后得到所述病害特征信息。

可选的，所述图像特征提取模块包括：

第一分支卷积网络，所述第一分支卷积网络用于从所述叶片特征信息中提取第一类斑点特征信息；

第二分支卷积网络，所述第二分支卷积网络用于从所述叶片特征信息中提取第二类斑点特征信息；

过滤器，所述过滤器用于将所述第一类斑点特征信息和所述第二类斑点特征信息汇总并输出。

可选的，所述图像特征提取模块还包括残差结构，所述叶片特征信息还通过残差结构传递至所述过滤器。

可选的，所述图像特征提取模块为将Inception结构中的至少一卷积模块替换为残差结构。

可选的，所述输出层包括平均池化层和Softmax层，所述神经网络还包括通道注意力机制模块，所述通道注意力机制模块中的感知器包括两个一维卷积。

可选的，所述神经网络使用多分类交叉熵损失函数。

可选的，所述神经网络Adam优化器进行训练。

本申请还提供一种基于神经网络的植物叶片病害分类装置，包括：

第一模块，用于获取目标图像；

第二模块，用于将所述目标图像输入所述初始层，提取出叶片特征信息；

第三模块，用于将所述叶片特征信息输入所述中间层，提取出病害特征信息；

第四模块，用于将所述叶片病害特征信息输入所述输出层进行分类，得到预测结果。