一种基于多尺度膨胀卷积网络的橡胶叶部病害识别方法

本发明属于叶片病害识别，具体涉及一种基于多尺度膨胀卷积网络的橡胶叶部病害识别方法。

背景技术：

1、橡胶树是热带地区最重要的经济作物之一，全国橡胶树种植面积超过116万公顷，其中一半以上种植在海南省。从树中提取的乳白色乳胶是天然橡胶的主要来源，与石油、钢铁、煤炭并称的四大工业原料之一。然而，橡胶树每年因各种叶部病害导致的损失约占天然橡胶总产量的25％，严重阻碍天然橡胶工业的发展。因此，橡胶树叶部病害(包括白粉病、炭疽病、黑袍叶斑病、异常落叶病)的诊断和识别对提高天然橡胶产量具有重要意义。但在实际应用中，往往是通过人工识别诊断，费时费力，识别精度不能满足要求。

2、针对人工诊断所存在的问题，研究人员提出了一些基于机器学习的植物病害识别方法，主要是通过人工设计分类特征，如颜色特征、形状特征、纹理特征或者两种或两种以上人工特征的融合。然而，这些人工设计的特性是基于人类经验选择的，限制了模型的泛化性，模型的准确性仍不能满足复杂环境下的识别要求。

3、为了实现更高的精度，总体趋势是构建更深入、更复杂的网络。2018年khan等人结合vgg和alexnet网络提取并行病害特征，对苹果和香蕉的病害进行分类，分类准确率达到98.6％。2019年zhang等人提出了一种用于黄瓜叶片病害识别的全局池化扩张卷积神经网络(gpdcnn)。通过使用多尺度卷积核提取输入图像的多尺度特征，然后结合膨胀卷积增强全局池化层的特征提取能力。2020年li等人使用注意力机制的googlenet cnn架构识别茄科疾病，准确率为95.09％。

4、这些研究都取得了良好的结果，但不同的病害在不同的尺度上有不同的病变特征，同一尺度上往往有不同疾病相似的特征，这使得图像疾病识别存在困难。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于多尺度膨胀卷积网络的橡胶叶部病害识别方法。本发明要解决的技术问题通过以下技术方案实现：

2、本发明提供了一种基于多尺度膨胀卷积网络的橡胶叶部病害识别方法，包括：

3、构造dise-net模型，所述dise-net模型包括依次连接的预处理网络模块、级联密集dise模块和后处理模块，其中，所述预处理网络模块用于对输入图像进行浅层特征提取，所述级联密集dise模块用于对所述浅层特征进行特征重用和特征融合，所述后处理模块用于对融合后的特征进行整合，输出最终的橡胶树叶部病害识别分类结果；

4、获取训练数据集并利用所述训练数据集对所述dise-net模型进行训练，获得训练后的dise-net模型；

5、将待识别的橡胶叶部图片输入至所述训练后的dise-net模型，获得橡胶叶部的病害识别结果。

6、在本发明的一个实施例中，所述预处理网络模块包括依次连接的第一预处理卷积层、第一预处理最大池化层、第一归一化层、第一relu激活函数、第二预处理卷积层、第二预处理最大池化层、第二归一化层和第二relu激活函数。

7、在本发明的一个实施例中，所述级联密集dise模块包括三个依次连接的dise子模块：第一dise子模块、第二dise子模块和第三dise子模块，其中，

8、对所述第一dise子模块的输入特征图y0、输出特征图y1进行连接并输出第一密集连接输出特征图f1＝y1+y1，同时f1作为所述第二dise子模块的输入特征图，则输出第二密集连接输出特征图f2＝y1+f1+y2；将f2作为所述第三dise子模块的输入特征图，获得第三密集连接输出特征图f3＝y1+f2+y2+y3。

9、在本发明的一个实施例中，每个dise子模块包括多尺度dilated-inception模块和se网络模块，其中，

10、所述多尺度dilated-inception模块具有不同的感受野，用于对输入的原始橡胶叶部图片进行不同尺度的特征提取；

11、所述se网络模块用于学习不同通道、尺度特征间的相关性，动态选择特征权重系数信息，以关注有用信息抑制冗余信息。

12、在本发明的一个实施例中，所述多尺度dilated-inception模块包括第一卷积层、第二卷积层、第三卷积层、第一膨胀卷积层、第二膨胀卷积层、第三膨胀卷积层、最大池化层、逐元加法单元和滤波融合单元，其中，

13、所述多尺度dilated-inception模块的输入数据分别输入所述最大池化层、所述第一卷积层和所述第二卷积层，所述最大池化层的输出连接所述第三卷积层的输入，所述第二卷积层的输出同时连接所述第一膨胀卷积层、所述第二膨胀卷积层和所述第三膨胀卷积层的输入，所述第一膨胀卷积层、所述第二膨胀卷积层和所述第三膨胀卷积层具有不同的膨胀率，所述第一膨胀卷积层、所述第二膨胀卷积层和所述第三膨胀卷积层的输出同时连接所述逐元加法单元以进行相加，所述第三卷积层的输出、所述逐元加法单元的输出以及所述第二卷积层的输出同时连接所述滤波融合单元以进行滤波融合。

14、在本发明的一个实施例中，所述第一卷积层、所述第二卷积层和所述第三卷积层的卷积核大小均为1×1；所述第一膨胀卷积层、所述第二膨胀卷积层和所述第三膨胀卷积层的卷积核大小均为3×3，膨胀率分别为1、2和3。

15、在本发明的一个实施例中，所述se网络模包括压缩单元、激励单元和重构单元，其中，

16、所述压缩单元用于将具有空间维度w×h和带有c个通道的特征映射uc压缩成维度为(1×1×c)的向量c：

17、

18、其中，fsq表示压缩操作；

19、所述激励单元包括两个全连接层、一个relu激活层和一个sigmoid层，用于获得c个特征通道的权重系数即全局特征向量sc：

20、

21、其中，fex表示激励操作，σ和分别是sigmoid的激活函数和relu的激活函数，和分别是降维参数和还原参数，r为缩减因子，g(z,w)表示使用了两层全连接构成的门机制；

22、所述重构单元用于对带c权重系数全局特征向量sc和特征映射uc进行加权，得到加权特征映射

23、在本发明的一个实施例中，所述后处理模块包括依次连接的后处理卷积层、平均池化层、归一化层、relu激活函数、全连接层和softmax层。

24、在本发明的一个实施例中，获取训练数据集并利用所述训练数据集对所述dise-net模型进行训练，获得训练后的dise-net模型，包括：

25、利用带橡胶叶部病害标签的橡胶叶病害数据集对所构建的dise-net模型进行迭代训练，使用多分类交叉熵损失进行模型优化，同时采用随机梯度下降进行训练，从而获得训练后的dise-net模型。

26、与现有技术相比，本发明的有益效果在于：

27、本发明基于多尺度膨胀卷积网络的橡胶叶部病害识别方法设计了一个dilated-inception模块来代替传统的inception模块，它具有不同的感受野能够提取不同尺度的特征，以增强多尺度特征提取的性能，然后嵌入注意力模块以提升模型对于通道信息的敏感性，来学习输入特征的通道间关系的重要性。此外，在模型建立中采用密集连接策略来增强信道特征传播，充分利用每层网络提取的特征。该模型在橡胶树叶片数据集的准确率达到97.98％，模型大小、参数量和flops(每秒浮点运算次数)分别为23.1mb、2.98、6.93m，相比于目前的其他方法，不仅具有较小的参数量，计算量，同时具有优秀的检测性能。此外，为了验证该模型的稳健性，在plantvillage公共数据集上进行了验证。实验结果表明，该模型在plantvillage数据集上的识别准确率为99.28％，也优于其他先进方法。

28、以下将结合附图及实施例对本发明做进一步详细说明。