基于改进Xception算法的葡萄叶片病害识别方法

技术特征：
1.一种基于改进xception算法的葡萄叶片病害识别方法其特征在于，包括如下步骤：步骤1：搜集葡萄叶片健康、黑腐病、轮斑病、褐斑病四种叶片图像，制作葡萄叶片病害识别数据集，作为本实验的训练数据集，并进行预处理；步骤2：获取xception网络作为实验的基础网络模型，对xception网络进行改进，搭建有效的葡萄病害识别网络grape-xception；步骤3：下载imagenet数据集，将改进的xception网络在imagenet数据集上进行充分地预训练，训练轮次设置为1000，保存训练后的模型参数，以.pth的格式进行存储；步骤4：输入训练数据集数据，下载在imagenet上预训练好的参数模型作为初始参数，在制作的葡萄病害数据集上训练改进的xception模型，直到网络的测试损失趋于平稳的时候，停止训练，并保存测试精度最高的模型参数，将其按照.pth的格式进行存储；步骤5：载入充分训练后的参数，并将葡萄病害彩色图像输入到训练后的xception网络中，对其进行病害识别。2.根据权利要求1所述的一种基于改进xception算法的葡萄叶片病害识别方法其特征在于，步骤1包括：搜集获得葡萄病害叶片图像，包括黑腐病、轮斑病、褐斑病、健康叶四种叶片图像，使用imgaug库对其进行数据增强处理，包括增强亮度、减弱亮度、增强锐度、增加高斯噪声、水平翻转、旋转任意角度，以拟合显示拍摄情况，并将数据集扩增至原来的7倍。3.根据权利要求1所述的一种基于改进xception算法的葡萄叶片病害识别方法其特征在于，步骤2包括：首先，搭建xception网络，其主要包括：entry flow部分，middle flow部分和exit flow三部分。网络的基本组成单元为：深度可分离卷积(depthwise separable convolution，dsc)、残差结构和全连接层。其中：深度可分离卷积包括逐深度卷积(depthwise convolution，dc)和逐点卷积(pointwise convolution，pc)两个部分，depthwise convolution是对输入的一个特征图(feature map)的每一个通道分别进行卷积操作，然后再进行拼接获得输出，每个卷积核对应一个通道单独进行卷积。pointwise convolution是对dc之后的输出进行通道融合并改变输出通道的数量。对于输入特征图为f∈r
c
×
h
×
w
，所需n个大小为的f
×
f
×
c的卷积核，进行dc操作所需的计算量为h
×
w
×
f
×
f
×
c，pc操作的计算量为c
×
n
×
h
×
w，进行dsc操作所需的计算总量为h
×
w
×
f
×
f
×
c c
×
n
×
h
×
w，相较于普通卷积计算量大大降低。对于输入样本x，设输出结果为h(x)，残差结构的表达式为：f(x)＝h(x)-x，当f(x)极小时，输出h(x)≈x，此时就为恒等映射，则不需要再次学习映射函数。解决了网络层数不断加深时导致的梯度消失问题。全连接层使用的是全局平均池化层。其公式为：gap
k
＝avg{(x
ij
)
k
}。其中，(x
ij
)
k
是指第k个feature map的信息值。然后，对xception网络进行改进。首先，替换原激活函数relu为elu，relu是分段线性函数，其公式为：使得所有正值不变，非正值变为0，使得神经网络中的部分神经元不参与计算，引入了稀疏性，增强了神经网络的鲁棒性。
然而，由于relu激活函数的输出可能为0，会导致梯度无法更新，进而形成“神经元永久死亡”的问题。elu函数的公式为：其正区间的表达式与relu 相同，同样可以避免梯度消失的问题，并且其对于负区间的梯度不为零，从而避免了神经元死亡的问题，从而使得网络可以学习更多的特征。然后，引入通道注意力机制se，并对其进行改进，se模块，其包括压缩(squeeze)和激励(excitation)、重定权重(reweight)三个部分。squeeze操作，将空间上的通道特征压缩成一个实数，用来表达全局的感受野，此操作的计算公式为：其中，z是指输入特征在空间维度w
×
h执行squeeze操作后的结果，v
k
(i,j)为经过一系列卷积之后的feature map，c为v的通道数。excitation操作，引入参数w为通道生成各自权重，表示各通道之间的相关性，具体操作是先通过一个全连接层进行降维，再通过一个relu激活函数，再通过一个全连接层升维，最后通过一个sigmoid激活函数生成一个0～1之间的权重系数。其计算公式为：s＝f
ex
(z,w)＝σ(g(z,w))＝σ(w2δ(w1z))，其中，σ表示sigmoid函数，δ表示relu激活函数，和是两个全连接层的参数，
γ
用于减少全连接层的维度。reweight操作，将excitation得到的权重系数逐通道加权到原先的特征上，实现对各个通道的重要性标注，其公式为：然后，使用全局最大池化层替换全局平均池化层，其公式为：gmp
k
＝max{(x
ij
)
k
}。在原网络最后一层网络层之后添加一层失活概率为0.5的dropout层和分类层，增加网络深度，提高分类效果。4.根据权利要求1所述的一种基于改进xception算法的葡萄叶片病害识别方法其特征在于，步骤3包括：下载公开的imagenet大型图像分类数据集，将改进的grape-xception网络在imagenet数据集上进行充分的训练，训练轮次为1000轮，保存每轮训练结束后的模型参数，以.pth文件形式存储，选择1000轮中测试精度最高的一轮的模型参数作为最终的实验初始网络参数。5.根据权利要求1所述的一种基于改进xception算法的葡萄叶片病害识别方法其特征在于，步骤4包括：选择交叉熵损失函数crossentropyloss作为本实验的损失函数，其公式为：其中x是网络最后一层输入的结果，class是输入对应的类别标签。选择adam作为实验网络的优化器，权重衰减系数设置为0.002。6.根据权利要求1所述的一种基于改进xception算法的葡萄叶片病害识别方法其特征
在于，步骤5包括：葡萄病害叶片的feature map在分类层全局平均池化中得到训练，训练后生成一个权重矩阵用于属于葡萄病害每一类的概率计算，通过softamx层最终输出生成的葡萄病害的类别信息。

技术总结
本发明公开了一种基于改进Xception算法的葡萄叶片病害识别方法，包括：(1)制作训练数据集。(2)搭建改进的Xception网络，主要改进为：使用ELU激活函数替换Xception算法的原激活函数，加快收敛速度，避免了神经元死亡的问题，使网络可以学习更多的特征，通过引入通道注意力机制SE模块，提高模型的识别性能，改进全连接层，使用全局最大池化层替换全局平均池化层，提高模型对葡萄病斑特征的提取。(3)使用数据增强库imgaug对制作的数据集进行数据增强处理，以模拟现实复杂的拍摄情况。(4)将改进后的模型在大型图像分类数据集ImageNet上进行充分地预训练，将学习到的参数作为网络的初始参数在制作的葡萄病害数据集上微调训练。通过改进，该算法相对于原始Xception模型能够保持更高的精度，参数量较少，从而使得模型能够在移动端进行部署。在移动端进行部署。在移动端进行部署。


技术研发人员：黄英来 李宁 黄鹤林 刘静 冀宇超
受保护的技术使用者：东北林业大学
技术研发日：2022.11.09
技术公布日：2023/2/3