技术特征：
1.一种果树病虫害图像识别方法，其特征在于，包括：获取病虫害图像样本，并做好标记；使用图像增强方法对所述病虫害图像样本进行增强处理得到增强数据集；使用imagenet数据集对vgg19模型预训练得到预训练权重参数；通过保留vgg19模型的前4个卷积层和池化层，并使用1个的批标准化卷积层和2个inception模块替换vgg19的第5卷积层，使用1个全局池化层替换vgg19模型的全连接层，最后使用一个1
×
4的softmax层构建得到vgg19-inc模型；使用所述增强数据集训练所述vgg19-inc模型；将训练好的vgg19-inc模型应用于未知病虫害图像的分类预测，最终得到病虫害图像识别的结果。2.根据权利要求1所述的一种果树病虫害图像识别方法，其特征在于，所述病虫害图像样本包括病虫害样本以及健康样本；在进行增强处理之前，通过滤波方法或均衡化方法对所述病虫害图像样本进行预处理。3.根据权利要求1所述的一种果树病虫害图像识别方法，其特征在于，增强处理包括水平翻转、垂直翻转、随机水平平移、随机垂直平移中的任意一种；各所述病虫害图像样本进行增强处理后得到的数量不少于1000。4.根据权利要求1-3任一项所述的一种果树病虫害图像识别方法，其特征在于，所述vgg19-inc模型包括：预训练模块，用于根据vgg19的预训练权重参数提取图像的轮廓特征、纹理特征；高维特征提取模块，用于通过inception模块的多特征融合特性，实现对病虫害的高维特征融合；特征矩阵降维和分类模块，用于实现减少计算参数和分类的作用。5.根据权利要求4所述的一种果树病虫害图像识别方法，其特征在于，所述vgg19-inc模型在所述vgg19的骨干网络和inception模块之间加入所述批标准化卷积层，并在所述批标准化卷积层中使用swish激活函数代替relu激活函数。6.根据权利要求4所述的一种果树病虫害图像识别方法，其特征在于，在所述vgg19-inc模型中，图像高维特征的提取由inception模块实现，inception模块采用了1
×
1、3
×
3两种不同的卷积核进行堆叠，通过并行执行多个卷积运算，最后将各个卷积运算输出结果连接为一个高维的特征图。7.根据权利要求4所述的一种果树病虫害图像识别方法，其特征在于，所述vgg19-inc模型使用全局池化层替换vgg19模型的全连接层，对整张特征图的所有值求平均，将卷积层的每个特征图的所有值融合为一个特征值，并使特征值的维度和最后分类数相同，形成与分类数相同数量的列向量，实现了对特征矩阵的降维。8.根据权利要求7所述的一种果树病虫害图像识别方法，其特征在于，设特征图大小为m
×
n，第k张特征图的值用表示，经过全局平均池化操作后，该特征图对应的输出特征值为y
(k)
：
9.根据权利要求1所述的一种果树病虫害图像识别方法，其特征在于，对所述vgg19-inc模型进行不少于100轮次的训练，在训练过程中，使用随机梯度下降优化算法，随机梯度下降优化算法中的动量因子设置为0.8，学习率为0.0001，学习速率的衰减系数为1e-6，batch size设置为24。10.根据权利要求1所述的一种果树病虫害图像识别方法，其特征在于，所述vgg19-inc模型使用准确率accuracy、精确率prencision、召回率recall、f1得分f1 score来评价模型指标，如公式(2)、(3)、(4)、(5)所示：accuracy＝(tp+tn)/(tp+tn+fp+fn)
ꢀꢀꢀꢀ
(2)prencision＝tp/(tp+fp)
ꢀꢀꢀꢀ
(3)recall＝tp/(tp+fn)
ꢀꢀꢀꢀ
(4)f1＝2*precision*recall/(precision+recall)
ꢀꢀꢀꢀ
(5)式中，tp：真实值为正且预测也为正的样本数量；fp：真实值为负但预测为正的样本数量；fn：真实值为正但预测为负的样本数量；tn：真实值为负且预测也为负的样本数量。
技术总结
本发明公开了一种果树病虫害图像识别方法，涉及农业种植技术领域，解决现有柑橘病虫害的识别诊断方法准确率差、检测时间长的技术问题。方法包括：获取病虫害图像样本，并做好标记；使用图像增强方法对病虫害图像样本进行增强处理得到增强数据集；使用ImageNet数据集对VGG19模型预训练得到预训练权重参数；通过保留VGG19模型的前4个卷积层和池化层，并使用1个的批标准化卷积层和2个Inception模块替换VGG19的第5卷积层，使用1个全局池化层替换VGG19模型的全连接层，最后使用一个1
技术研发人员：闭吕庆 黄平
受保护的技术使用者：玉林师范学院
技术研发日：2022.01.28
技术公布日：2022/7/5