[发明专利]一种马铃薯早晚疫病叶片病害识别方法

说明书

本发明提供了一种马铃薯早晚疫病叶片病害识别方法，该方法开发了一个用于马铃薯叶片病害检测的激活参数压缩深度学习模型。在第一级，使用YOLO v5图像识别技术从马铃薯叶片图像中对马铃薯早疫病和晚疫病进行分类，在第二个层级，将模型压缩技术ActNN与YOLO v5进行结合，开发了一种新的激活参数压缩训练检测模型，用于在设备内存不足时实现对马铃薯病害的分类。提出的九种数据增强技术结合深度学习技术在马铃薯叶片病害数据集上的准确率达到99.75％，引入的模型压缩技术ActNN比其他方法更简单，更有效率，精度损失在0.65％以内，影响训练耗时仅为3％，节省了大量的计算成本和时间。

技术领域

本发明涉及病害识别技术领域，尤其涉及一种马铃薯早晚疫病叶片病害识别方法。

背景技术

马铃薯主粮化已成为我国第四次主粮革命的新趋势，马铃薯是仅次于小麦、水稻和玉米的世界第四大粮食作物，我国马铃薯具有良好的产业基础。马铃薯产量受诸多因素影响，一般认为，马铃薯病害是影响马铃薯产量和品质的主要因素，据估计，由于作物病虫害，世界作物每年减产11％-30％。晚疫病和早疫病是真菌性疾病。

诊断病害的方法很多，其中一个经典直接的方法是人眼视觉估计。传统的作物病害诊断技术依赖于农民的经验，这是最不确定和不可靠的。与传统的作物病害诊断技术相比，一些具有挑战性、昂贵且耗时，需要高度专业的操作方法被提出，使用光谱仪来诊断作物叶片是否健康和受感染，另一种方法是使用聚合酶链反应^[5]提取叶子的DNA，分析DNA的关键片段来判断作物叶片是否健康或被感染。随着人工智能推动精准农业的快速发展，通过人工智能(AI)、机器学习(ML)和计算机视觉(CV)技术的最新进展使作物叶片病害自动检测技术得以发展，这些技术时效性强，且效率高，无需人工干预，能够准确地检测作物叶片病害。人工智能技术在农业领域的应用^[6]，将过去农民面临的诸多问题使用新式的方法解决，对问题的强大适用性使得解决复合问题变得容易，应对环境影响、生产力、粮食安全和持续性等农业生产的各种挑战具有重要意义。

在自然条件下病害识别中，传统的计算机视觉特征提取也是一项关键技术，通过HSV颜色空间提取颜色、纹理、形状特征结合SVM、RF和ANN进行病害识别，然而，由于实际条件下叶片病斑的多样性和复杂性，且特征容易受到光照条件的影响，尤其是颜色特征非常不稳定，这使得这种方法的识别效果较差。相比传统学习方法，卷积神经网络快速发展，新式模型层出不穷，在特征提取方面具有更强的表达能力，VGG19、AlexNet、SqueezeNet、InceptionV3、Faster R-CNN、ResNet50在病害图像检测和分类中取得了较好的效果。Divyansh Tiwari等人提出了一种模型，该模型使用预先训练好的VGG19模型，在相同的数据集下比较了KNN、SVM、Neural Network、logistics Regression等分类器的性能，使用迁移学习的概念利用vgg16、vgg19、InceptionV3对这些目标结果进行微调，识别准确率为97％,超出测试数据集的8％。王东方等人提出一种农作物病害分类模型TL-SE-ResNeXt-101，对深度残差网络模型SE-ResNeXt-101进行改进，利用迁移学习技术与数据增强技术加速模型收敛，降低模型对某系属性依赖，平均准确率达到47.37％，杨森等人提出利用迁移学习技术对Faster R-CNN模型训练并标出斑块区域，由K-均值聚类算法对建立的颜色特征和SIFT特征聚类，并传入SVM训练出病害识别模型，平均识别准确率为90.83％。