专利摘要

本发明公开了一种基于深度学习的二值化FasterR‑CNN柑橘病虫害识别方法，该方法包括以下步骤：步骤1、获取柑橘病虫害图片，构建图片数据集；步骤2、对图片数据集中的柑橘病虫害图片进行预处理：包括图片旋转，色彩平衡，高斯模糊添加噪声干扰，HSV亮度增强；步骤3、构建二值化的FasterR‑CNN网络模型：该模型采用二阶段的全卷积神经网络代替原始FasterR‑CNN模型的全连接层；步骤4、二值化FasterR‑CNN网络模型的实现；步骤5、将待识别柑橘病虫害种类的图片，输入训练得到的二值化FasterR‑CNN网络模型，输出识别柑橘病虫害结果。本发明提出了BinaryFasterR‑CNN网络模型，将二阶段的全卷积神经网络代替原始的全连接层，能节省模型存储的内存，识别准确率、FLOPs及识别速度均得到了大大提高。

权利要求

1.一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法，其特征在于，该方法包括以下步骤：

步骤1、获取柑橘病虫害图片，构建图片数据集；

步骤2、对图片数据集中的柑橘病虫害图片进行预处理：包括图片旋转，色彩平衡，高斯模糊添加噪声干扰，HSV亮度增强；

步骤3、构建二值化的Faster R-CNN网络模型：采用卷积网络VGG16作为原始分类网络，VGG16网络包括13个卷积层、5个最大池化层、3个全连接层、1个softmax层，在VGG16网络中嵌入RPN层和ROI池化层，并将其中的两个全连接层替换为二进制网络，得到构建的二值化的Faster R-CNN网络模型；

步骤4、二值化Faster R-CNN网络模型的实现：输入预处理后的图片数据集中的柑橘病虫害图片，通过卷积层提取特征图，通过最大池化层进行归一化操作，然后使用二进制权重量化底层的权重，对二值化Faster R-CNN网络模型进行逐层训练，直到网络模型收敛，得到训练好的二值化Faster R-CNN网络模型；

步骤5、将待识别柑橘病虫害种类的图片，输入训练得到的二值化Faster R-CNN网络模型，输出识别柑橘病虫害结果。

2.根据权利要求1所述的基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法，其特征在于，所述步骤1中：

图片数据集，包括网上公开数据集和自建数据集；网上公开数据集采用通用的农作物病害数据库PlantVillage，用于进行农作物病害检测算法研究，包括一定数量的黄龙病病害图像；自建数据集由拍摄的图片与网上收集的图片组成，包括一定数量的溃疡病病害图像、正常叶片图像、疮痂病病害图像、黑斑病病害图像，拍摄环境在自然光的条件下，分为晴天与阴天对病害的纹理、颜色与形状进行拍摄。

3.根据权利要求1所述的基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法，其特征在于，所述步骤2中预处理的方法包括：

1)对图片数据集的图片进行逆时针旋转90°、180°、270°，以及水平翻转与垂直翻转处理；2)色彩平衡：对图片进行色彩平衡控制，改变图像颜色构成，控制图像单一化；3)高斯模糊添加噪声干扰：对图像添加高斯噪声与椒盐噪声，模拟在不同条件下拍摄的清晰度，从而来减少图像噪声带来的干扰；4)HSV亮度增强：色调H，饱和度S，亮度V，通过更改亮度V与饱和度的分量，让色调H保持不变，从而实现增亮和防止模型过拟合。

4.根据权利要求1所述的基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法，其特征在于，所述步骤3中的二值化Faster R-CNN网络模型具体包括：

输入图片第一次经过64个卷积核的两次卷积后，采用一次最大池化层，第二次经过两次128个卷积核卷积和最大池化层后，再重复两次三个512个卷积核卷积和最大池化层后，得到图片的特征图；将特征图输入RPN层得到候选框的特征信息，再通过ROI池化层进行归一化处理，接着送入二值化网络；在原始VGG16中需要经过三次全连接，将原始分类网络中的内积层fc6和fc7转换为二进制网络的卷积层，对第一层全连接层fc6的卷积运算在conv5_3之后实现步幅为1的7×7滤波器，其中VGG16网络每个卷积block包含2个或3个卷积层，所以conv5表示第五个卷积block，conv5_3表示第五个卷积block里面的第三个卷积层；并且对第二层全连接层fc7的卷积运算转换为步幅为1的1×1滤波器；再通过一个FC-1000的全连接层得到分类的类别数；最后通过一层softmax层分类器，得到分类结果。

5.根据权利要求4所述的基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法，其特征在于，所述步骤4中的方法具体为：

步骤4.1、输入任意大小P×Q的柑橘病虫害的训练图片，首先缩放至固定大小M×N，然后将M×N图片送入VGG16网络中，通过13个卷积层、5个最大池化层提取特征图；

步骤4.2、通过RPN层对特征图提取候选框，通过一个滑动窗口连接提取的特征图，同时每个滑动窗对应k个anchor boxes，特征图上每个点上有k个anchor，通过RPN层判断anchors属于positive或者negative，再利用bounding box修正anchors获取精确的候选框；

步骤4.3、ROI池化层利用候选框从特征图中提取proposal feature，并且将所得的特征图图像大小比例调整到同一维度；

步骤4.4、用二进制网络替换全连接层中的fc6和fc7层，候选框从特征图中提取proposal feature，然后使用二进制权重量化底层的权重，并对网络进行微调，直到收敛为止；在下一阶段，冻结这些底层，并继续对下一层的权重进行量化；

步骤4.5、最后通过一层FC-1000全连接层与softmax层分类器得到分类后的结果，训练完成的模型即为二值化Faster R-CNN网络模型。

6.根据权利要求5所述的基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法，其特征在于，步骤4.4中使用二进制权重量化的方法为：

定义隐藏层为ROI池化层至最后一层全连接层FC-1000，将训练好的隐藏层作为底层；采用逐层贪婪算法进行二值网络的训练，其方法为：

第一步：首先训练一个只含一个隐藏层的网络，仅当这层网络训练结束之后才开始训练一个有两个隐藏层的网络，以此类推；

第二步：把已经训练好的前k-1层固定，然后增加第k层，这些各层单独训练所得到的权重被用来初始化最终的深度网络的权重；

第三步：然后对整个网络权重进行微调，直到模型收敛为止；

第四步：冻结这些已经训练好的隐藏层，最后对这些权重进行量化。

7.根据权利要求6所述的基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法，其特征在于，所述步骤4.4中权重量化的方法为：

量化权重时，使用Sign(w)直接得到二值化的权重值；权重选择量化正则化使其分布成正态分布，其中它的上界为b，下界为-b，其中b层权重绝对值不超过1，为了防止网络无法收敛，对网络进行了裁剪，在L-th层网络，其中L是网络的层数，在L-th层中，L＝1,2...L，依次求出裁剪之后的网络，未参与向前传播与向后传播，是l全精度权重，nl和kl表示特征数与内核大小如下：

clip(x,b)＝max(-b,min(x,b))

其中，表示夹紧重量，clip()表示权重裁剪，引入一种与数据无关的方法来量化每个32位的权重重量，使用m位将权重量化为范围[-b,b],有2m个离散值，分辨率β通过以下函数确定：

分辨率将随着m的增加呈现指数下降，量化权重集合为:{-b,-b+β,...,b-β,b},将裁剪后的权重近似为α和Q分别表示比例因子与量化权重张量，将Q变形为等值向量然后将量化优化问题表示为：

选取每个元素Q(i＝1,2...nl×kl×kl)；

选择最接近使用L2范数作为损失函数：

使用以下公式获得比例因子：

对于前向传播的神经元X的分类，使用下列：

其中，

一种基于深度学习的二值化FasterR-CNN柑橘病虫害识别方法专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。