申请/专利权人：华南农业大学

申请日：2021-12-22

公开（公告）日：2024-04-16

公开（公告）号：CN114359644B

主分类号：G06V10/771

分类号：G06V10/771;G06V20/10;G06V10/82;G06N3/045;G06N3/0464;G06V10/44

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.05.03#实质审查的生效;2022.04.15#公开

摘要：本发明公开了一种基于改进VGG‑16网络的农作物病虫害识别方法，包括：S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类；S2、将农作物病虫害图像数据中的图像输入到改进VGG‑16网络进行参数训练；S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别。本发明突破原有技术准确率较低、缺乏鲁棒性和自适应能力差等问题，鲁棒性更强，识别率更高，网络参数更少，自适应能力更强，识别速度更快，对图像中的农作物病虫害识别更加准确。

主权项：1.基于改进VGG-16网络的农作物病虫害识别方法，其特征在于，包括以下步骤：S1、获取农作物病虫害图像数据，并按照不同的农作物病虫害进行分类；S2、将农作物病虫害图像数据中的图像输入到改进VGG-16网络进行参数训练；其中，对VGG-16网络的改进是将VGG-16网络的卷积层换成GhostNet网络的GhostModule模块，并在之后增加SEblock和BatchNormalization，最后两层为池化层和全连接层；所述改进VGG-16网络的卷积层由GhostNet网络提出的GhostModule模块、SEblock和BatchNormalization组成；GhostModule模块先进行普通的卷积生成少量的特征图，再利用线性运算扩充特征和增加通道；其中，普通卷积的操作表示为：Y＝X+f+b式中，X为图像输入，b是偏置项，Y∈Rh×w×n是n通道的输出特征图，Rh×w×n是所有通道输出特征图的集合，f∈Rc×k×k×n是卷积过滤器，Rc×k×k×n是所有卷积滤波器的集合，h和w分别是输出数据的高和宽，k×k是卷积过滤器的内核尺寸，c为通道数，n为特征图数量；GhostModule模块的卷积操作表示为：Y′＝X*f′式中，*表示卷积运算，f’∈Rc×k×k×n是使用的过滤器，Y′为输出特征图，此处将偏置项忽略不计，并且得到的特征图数量会比普通卷积操作要少，为了得到相同的特征图数量，会通过线性运算操作来生成剩余的特征图，该线性运算操作表示为： 式中，m为上一步得到的输出特征图数量，d为线性运算的次数，yi′是Y′中的第i个特征图，Φi,j是生成第j个特征图变换yij的第j个线性运算；SEblock是通过自动学习的方式获取每个特征通道的重要程度，并根据重要程度赋予相应的权重值，从而让改进VGG-16网络筛选出重要的特征，继而提高识别的准确率；SEblock包含Squeeze、Excitation和Scale操作，其中Squeeze操作属于空间维度的特征压缩，将一个通道上的二维特征压缩为一个实数，表示为： 式中，Zc是一个统计量，Fsq代表squeeze操作，H和W是数据维数，uc是通道c的二维空间核，即特征映射，uci,j是通道c维度为i,j的二维空间核；Squeeze最终得到各个通道的全局特征，假设原来维度为r，那么Excitation操作先用一个全连接层将输入的全局特征维度降到原来的经过ReLu函数之后再通过一个全连接层提升到原来的维度，最后在Sigmoid函数的作用下化为一个0-1的归一化权重，表示为：s＝Fexz,W＝σgz,W＝σW2δW1z式中，Z是Squeeze操作得到的统计量，s为权重关系，g为门控机制，Fex为Excitation操作，δ为ReLu函数，σ为Sigmoid函数，W1和W2分别为降维和升维参数；最后一步Scale操作将权重加权到每个通道的特征中，表示为： 式中，是已经加权的特征输出，Fscale为权重sc与特征映射uc相乘计算；BatchNormalization即批标准化，使得输入的数据符合同一分布，加快网络的收敛速度，提高网络的自适应能力，防止梯度爆炸、梯度消失和过拟合问题出现；所述池化层做的是二维的平均池化，池化窗口大小为1*1，窗口移动的步长为1；改进VGG-16网络的分类层只有一个全连接层，原来的VGG-16网络有两个全连接层，产生了大量参数，改进VGG-16网络则将全连接层数量缩小为1，并将其输出样本大小改为训练的农作物病虫害种类数量；改进VGG-16网络使用的损失函数为： 式中，lossx,class表示分类层的损失函数，x[j]为损失函数的第j个特征输入，x[class]为农作物病虫害类别class的特征；S3、参数训练完成后，得到一个能够对图像中的农作物病虫害进行识别的最优网络，最终通过该最优网络即可对任意输入的图像中的农作物病虫害进行自动识别，即将一张待测图像输入到该最优网络中，就会准确识别出图像中农作物病虫害的类别。

全文数据：

权利要求：

百度查询： 华南农业大学 基于改进VGG-16网络的农作物病虫害识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD