[发明专利]一种马铃薯早晚疫病叶片病害识别方法

权利要求书

1.一种马铃薯早晚疫病叶片病害识别方法，其特征在于，基于卷积神经网络，包括以下步骤：

S1，获取不同条件下马铃薯早、晚疫病叶片以及健康叶片的影像材料，并将影像材料中的图片进行标注后作为初始数据集；

S2，对初始数据集中的图片进行数据增强预处理，获得增强后的数据集；

S3，将增强后的数据集划分为训练、验证和测试集，采用训练集训练YOLO V5模型，并采用验证和测试集评估训练后的YOLO V5模型，具体包括：

S31，对训练集中的数据重新进行数据增强处理，包括但不限于缩放、旋转、宽度偏移、高度偏移、剪切范围、缩放范围、水平翻转、亮度和通道偏移，以及最接近的填充模式，增强训练集的多样性；

S32，采用YOLO V5模型对训练集进行训练，其中，全局损失函数使用BCE Loss,优化器使用SGD；

S33,训练完成后，采用验证和测试集对训练后的YOLO V5模型进行评估，采用的评估系数包括查准率P_p、查全率R_p、F1-ScoreF1_p、平均准确度A(P_p)以及平均精度m(Ap)中的至少一种；

S4，采用训练完成后的YOLO V5模型对马铃薯叶片进行早晚疫病识别过程。

2.根据权利要求1所述的马铃薯早晚疫病叶片病害识别方法，其特征在于，步骤S1中对图片进行标注的方法具体是：使用LabelMe工具将健康和早晚疫病感染的叶片分别标注为YOLOv5 PyTorch格式和XML格式。

3.根据权利要求1所述的马铃薯早晚疫病叶片病害识别方法，其特征在于，步骤S2中对初始数据集中的图片进行数据增强预处理具体包括：采用像素尺度转换、旋转变换、宽度移动范围变换、高度移动范围变换、剪切变换、随机缩放、翻转以及通道移动转换中的至少一种。

4.根据权利要求1所述的马铃薯早晚疫病叶片病害识别方法，其特征在于，步骤S3中采用的YOLOv5模型采用了ActNN激活压缩，具体原理如下：

在第l层神经网络的每个训练迭代中，前向传播F^(l)包含N维特征映射H^(l-1)与模型参数Θ^(l)，所示反向传播G^(l)对l层的H^(l)求梯度，如式(1)所示：

H^(l)＝F^(l)(H^(l-1)；Θ^(l)) (1)

然后携带上下文C( )，得到计算梯度，并用SGD更新参数，采用全精度FP32训练，如下式所示：

将式(2)中表示的上下文C( )、Θ^(l)、分别使用随机化的量化策略，计算出的有损梯度是原梯度的一个无偏估计，如下式(4)所示，即

。

5.根据权利要求4所述的马铃薯早晚疫病叶片病害识别方法，其特征在于，基于ActNN激活压缩运行原理，ActNN定义了L1至L5压缩程度依次提高的可选压缩参数，其中L1与L2使用4bit per-group quantization进行压缩，但L1允许使用32bit量化，且只处理卷积层；L3至L5分别在2bit下使用fine-grained-mixed-precision、swapping、defragmentation压缩。