一种基于神经网络的植物叶片病变识别方法

技术特征：
1.一种智能植物叶片病变识别系统，其特点在于，它包含由摄像头或者其他拍摄采集部分，pc机或其他基于处理器的数字系统上的植物叶片病变识别软件部分。2.如权利要求1所述的植物叶片病变识别软件部分，其算法上面的特征在于，它提出了一种基于注意力机制神经网络的植物叶片病变识别算法。在该植物叶片病变算法中，首先将原始图像输入到图像预处理模块中，将数据进行重定义大小设置，将数据进行组合数据增强操作。将扩增后的数据转化成神经网络中需要的向量形式。转换成向量的数据通过神经网络中卷积层，提取出该数据的特征信息，随着网络层数的增加，将数据主体信息特征提取出来。数据通过池化层，使得数据在维度上、尺寸上进行缩放，达到增加模型稳定，减少模型参数的效果。批归一化对数据进行规范化处理，并通过激活函数使得数据更具非线性效果，增强模型的表现能力。最终通过全连接层以及softmax层对数据进行输出，输出值对应的是植物叶片病变种类概率值，从而检测出植物叶片病变种类。3.如权利要求2所述的数据扩增手段。其具体方式为：对数据进行随机扩增手段。为了实现图像数据集的鲁棒泛化，在数据增强过程中包括引入基于高斯分布的噪声水平。为了保证随机噪声的可见性，将随机数乘以一个正则化常数。在{0.1,0.2,0.3,0.4}之间随机生成均值参数，在{0,0.1，
…
，0.5}之间随机生成偏差参数。利用box-muler算法生成正态分布随机变量。该算法原理如下：假定，x,y服从均值为0，方差为1的高斯分布，并且相互独立。令p(x)和p(y)分别为其密度函数，则由于x,y相互独立，因此它们之间的联合概率密度满足：令：x＝rcos(θ),y＝rsin(θ)则：由此可得r与θ分布函数p
r
与p
θ
：：显然，θ服从在(0,2π)上的均匀分布。令：
反函数为：当z在(0,1)上服从均匀分布,r的分布函数为f
r
(r)。因此可以选择两个服从(0,1)上均匀分布的随机变量u1、u2，使得：θ＝2πu1，1-z＝u2，即：将上式带入：x＝rcos(θ),y＝rsin(θ)得：得：通过上述公式可以了解到，只需要u1、u2服从(0,1)上的均匀分布，就可以一步步反推出x，y服从均值为零，方差为1的高斯分布。通过随机数生成的高斯分布随机值，将其与原始图像上的像素值进行叠加，然后在量化在0～255之内，就生成了高斯加噪的图像。旋转，镜像通过更改对应位置的像素值来达成。在经过上述手段后，扩增后的图像出现像素空值时，使用双线性插值方法来填充空穴像素点。4.如权利要求2所述，在卷积神经网络中，需要对模型中的数据进行梯度更新，使网络在迭代中找到全局最优值。本发明中使用的算法为adam优化算法。这种算法是一种计算每个参数的自适应学习率的方法。它除了想adadelta和rmsprop算法一样存储了过去梯度的平方v
t
的指数衰减平均值，也想冲量方法一样保存过去梯度m
t
的指数衰减平均值：m
t
＝β1m
t-1
(1-β1)g
t
其中β1和β2是需要设置的常量，默认情况下为：β1＝0.9,β2＝0.999.这两个参数的大小表面了梯度更新与当前梯度和历史梯度的关系。值越大则表明此时的梯度更新与历史梯度关联性更强。如果m
t
和v
t
在第一次更新时初始值设为0向量，那么它们就会向0偏置，所以需要做偏差校正，通过计算偏差校正后的m
t
和v
t
来消除这些偏差：来消除这些偏差：梯度更新规则：其中ε为一个常量防止分母为零的情况。5.如权利要求2所述的利用通道注意力模块方法。其特征是，通过对输入特征图进行通道上的卷积运算，来获得不同通道的权重比例大小，从而达到放大关键信息所在通道，抑制
背景信息所在通道。se的结构流程图。包含了4种操作，特征图卷积，squeeze(挤压/f
sq
操作)，excitation(激励/f
ex
操作)，拼接(f
sacle
)。第一步是卷积操作。f
tr
是对输入进来的特征层进行简单的卷积操作。公式如下：f
tr
:x
→
u,x∈r
h
′
*w
′
*c
′
,u∈r
h*w*c
卷积核为v＝[v1,v2,
…
,v
c
]，其中v
c
表示第c个卷积核。输出为u＝[u1,u2,
…
,u
c
]。第二步是squeeze操作。由于卷积知识在一个局部空间内进行操作，u很难获得足够的信息来提取不同通道之间的关系。因此，squeeze操作将一个通道上整个空间特征编码为一个全局特征，采用了全局平均池化操作来实现。公式如下：第三部是excitation操作。前面通过sequeeze操作得到了全局描述特征，接下来需要了解到不同通道之间的关系。这个操作需要满足连个准则：首先要灵活，能够学习到各个通道之间的非线性关系；第二点是学习的关系不能是互斥的，因为每个通道的特征都是需要的，而不是one-hot形式。因此采用sigmoid激活函数对最后一层输出权重系数进行0～1的量化。公式如下：s＝f
ex
(z,w)＝σ(w
2 relu(w1z)其中为了降低模型复杂度以及提升泛化能力，采用了包含两个全连接层的bottleneck结构，其中第一个全连接层起到降维作用，超参数r是降维系数，然后采用relu激。最后一层的全连接层恢复到原始输入进来的维度。最后一步是scale操作。将学习到的各个通道的激活值(经过sigmoid激活后，值为0～1)与原始特征u进行相乘。公式如下：f
scale
(u
c
,s
c
)＝s
c
*u
c
。6.如权利要求2所示的利用空间注意力模块方法。其特征是，通过对输入神经网络的特征图进行全局的平均池化和最大池化，获取到该特征图突出的位置信息，使得网络在迭代过程中能够学习到目标主体的位置信息。通道注意力机制主要对通道产生影响，使网络模型了解特征图的哪一部分应该有更高的响应。但是，网络模型仍然不清楚特征图在哪里具有更高的响应。空间注意力机制可以有效解决这个问题。沿通道轴使用池化操作有效地突出信息区域。为了计算空间注意力，f
′
avg
∈r1×
h
×
w
和f
′
max
∈r1×
h
×
w
两个2d映射是通过使用两个聚合特征映射的通道信息生成的平均池化和最大池化。然后将它们连接起来并通过卷积层进行卷积，以生成空间注意力图f
′
s
∈r
h*w
，该图对要强调或抑制的位置进行编码。空间注意力被计算为：f
′
s
＝σ(f
7*7
([f
′
avg
；f
′
max
]))如权利要求1所述的植物叶片病变识别软件部分，它采用了输出概率来表示最终对输入植物叶片病变识别结果。该模块中类别数，网络模型，都可以根据用户自由制定。用户可以单独检测一张图片，也可以根据用户自己的需求来进行批次的植物叶片病变识别来达到具体应用的要求。

技术总结
本发明公开了一种植物叶片病变的自动识别方法、装置和电子设备，所述的方法为：通过摄像头或手机获取植物叶片的病变源图像，对划分好的图片进行镜像翻转，平移、旋转、仿射变换、亮度对比度变化的组合手段对图像进行数据增强；对图像经过变换后，像素点出现空值位置采用双性线性插值方法；载入这些原图像；通过卷积对输入图像计算获得特征图。利用注意力机制计算该特征图的通道值以及特征图上的平均值和池化值；利用最小化目标函数调整参数；重复上述过程，确定注意力模块。本发明提出了一种基于融合注意力机制的植物病变的自动识别方法可确保对植物病变叶片自动识别并检测出病变类型，并可根据用户自身需求进行设定以满足不同场合下的应用要求。不同场合下的应用要求。不同场合下的应用要求。


技术研发人员：周厚奎 叶渊博 王陈燕
受保护的技术使用者：浙江农林大学
技术研发日：2022.08.14
技术公布日：2022/11/15