一种基于深度迁移学习的茶叶病害识别方法与流程

技术特征：
1.一种基于深度迁移学习的茶叶病害识别方法，其特征在于，该方法包括以下步骤：训练阶段：步骤1：获取多个品种茶叶及对应病害的图片，作为训练数据集；步骤2：对训练数据集中的图片进行预处理，包括：随机翻转、随机剪裁、随机角度旋转、颜色抖动、添加噪声；步骤3：构建图片分类模型；在densenet中引入se block，通过se block引入通道注意力机制，构建特征通道加权的se
‑
densenet网络模型；步骤4：将训练数据集输入构建的se
‑
densenet网络模型中，通过迁移学习对se
‑
densenet网络模型进行训练，保存训练好的模型；测试阶段：步骤5：输入待识别的茶叶图片，通过训练得到的se
‑
densenet网络模型对茶叶图片中的病害进行分类识别，获得病害特征，通过分类器输出病害分类结果。2.根据权利要求1所述的基于深度迁移学习的茶叶病害识别方法，其特征在于，所述步骤1中：训练数据集包括公开数据集plantvillage和自建数据集；数据集中包括不同茶叶品种的病害，病害包括茶白星病、茶轮斑病、茶煤病、茶圆赤星病和茶叶叶枯病。3.根据权利要求1所述的基于深度迁移学习的茶叶病害识别方法，其特征在于，所述步骤2中：1)随机翻转：依概率对图像进行水平、竖直翻转，病害相对位置不会发生改变，模拟相机不同角度的拍摄图像；2)随机剪裁：对图像进行不同区域的随机截取，截取不同位置的图像以增加数据的多样性；3)随机角度旋转：以一定的角度对图像进行旋转，获取不同角度的图像以丰富样本数据；4)颜色抖动：修改图像的亮度、对比度、饱和度和颜色4个属性，以模拟不同光照条件下的拍摄图像；5)添加噪声：对图像随机添加高斯噪声，得到不同清晰度的图像，以模拟不同的拍摄质量。4.根据权利要求1所述的基于深度迁移学习的茶叶病害识别方法，其特征在于，所述步骤3中：senet由一系列se block组成，每个se block结构由squeeze、excitation、reweigh三部分组成；在se block中，squeeze部分通过在特征图上执行全局平均池化得到当前特征图的全局压缩特征向量，excitation通过两层全连接得到特征图中每个通道的权值，reweigh将不同特征通道的权重乘以原来的特征图得到最终特征，最后将加权后的特征图作为下一层网络的输入；三部分映射关系分别为：
s＝f
ex
(z，w)＝σ(g(z，w))＝σ(w2δ(w1z))其中，c为通道数，w为特征图的宽度，h为特征图的高度，u
c
代表每个特征通道，w1和w2为全连接层的权重矩阵，δ为全连接之间的激活函数relu，σ为归一化函数sigmoid；z
c
为压缩操作后得到的压缩后的特征图；f
sq
为压缩操作；i、j表示第c个二维矩阵u中的坐标；r
c
表示特征通道的实数域；f
ex
为激励操作；s表示通过激励操作得到的特征图权重；z为压缩后的特征图；f
scale
为特征重标定操作；为特征重标定后的最终输出；s
c
·
u
c
表示特征通道u
c
与标量s
c
的乘积。se
‑
densenet模型结构中，如果神经网络有l层，每一层的输入都是前面所有层经过senet重新矫正后的特征图输出的并集，其公式为：其中，表示第l层经过senet重标定后的特征图的输出，h
l
表示非线性变换，表示0到l
‑
1层经过senet重标定后的输出特征图的归并操作。5.根据权利要求4所述的基于深度迁移学习的茶叶病害识别方法，其特征在于，所述步骤3中se
‑
densenet网络模型为：将se block嵌入到每个dense block中，在db中的每个非线性组合函数h
l
(
·
)前后加入se block，db中的每一层网络的输入和输出都通过se block中的挤压和激励模块，生成了通道权重值，并根据特征权重对有用特征进行增强，实现了权重的重标定，得到se
‑
densenet模型；se
‑
densenet中每个稠密块dense block子模块的输出，最终的分类输出是包含多个稠密块dense block和转移层transition处理后的输出结果；dense block为densenet模型组成的一部分，内部由多层特征图和多个非线性函数h
l
(
·
)组成；由于densenet模型没有考虑到不同通道之间的相关性，因此在densenet中引入se block，即senet的组成部分，通过se block引入通道注意力机制，来构建特征通道加权的densenet，即se
‑
densenet，实现特征通道特征重标定，以提升对当前任务有用的特征抑制用处不大的特征，解决特征通道间的相关性问题。6.根据权利要求1所述的基于深度迁移学习的茶叶病害识别方法，其特征在于，所述步骤4中：(1)迁移学习；首先使用公开数据集plantvillage对模型进行预训练得到预训练参数和权重，然后对自建茶叶病害数据集进行数据增强，将预训练得到的参数和权重迁移至增强后的茶叶病害数据集，并进行参数和权重微调，从而加快模型的收敛速度，提高模型的准确率和泛化能力；(2)自建茶叶病害数据集划分；首先将自建茶叶病害数据图像按照训练集、验证集和测试集以7:2:1的比例进行随机划分；(3)模型参数设置及模型训练；
使用的模型优化算法为随机梯度下降法sgd，引入动量momentum来优化sgd算法；momentum更新的时候在一定程度上保留之前更新的方向，同时利用当前梯度微调最终的更新方向，增加模型稳定性，从而学习地更快，并且具有摆脱局部最优的能力；sgd的初始学习率设为0.01，参数更新后每次的学习率衰减值为0.0001，momentum设为0.9，批训练样本数设为64，采用交叉熵损失函数作为损失函数，最后迭代次数设置为100，并将训练集在每次迭代前进行随机打乱。

技术总结
本发明公开了一种基于深度迁移学习的茶叶病害识别方法，包括以下步骤：训练阶段：获取多个品种茶叶的图片，作为训练数据集；对训练数据集中的图片进行预处理，包括：随机翻转、随机剪裁、随机角度旋转、颜色抖动、添加噪声；构建图片分类模型；在DenseNet中引入SE Block，通过SE Block引入通道注意力机制，构建特征通道加权的SE


技术研发人员：帖军 徐杰 郑禄 李子茂 艾勇 吴经龙 江妮 赵捷
受保护的技术使用者：武汉木兰春然实业发展有限公司
技术研发日：2021.07.23
技术公布日：2021/11/8