一种基于机器学习的水果病害检测方法及系统与流程

本发明涉及水果病害检测，具体是指一种基于机器学习的水果病害检测方法及系统。

背景技术：

1、一种基于机器学习的水果病害检测方法及系统利用人工智能算法对水果图像进行处理和分析，从而自动识别和分类各种病害。该系统通过摄像头采集水果图像，经过预处理后输入训练好的模型，模型通过特征提取和模式识别，输出病害种类及严重程度。其作用是提高病害检测的准确率和效率，减少人工检测的误差和成本，保障水果质量和产量。

2、但是，在已有的水果病害检测方法中，存在着水果病害的类型既存在生物性病害也存在非生物性病害，而针对两种病害的分类和进一步细节检测较为困难，传统方法要么聚焦于单独的生物性或非生物性分类检测，要么聚焦于某种具体病害的细分检测，而没有针对水果病害进行统一的检测，从而导致可用性和泛用性较为局限的技术问题；在已有的水果病害检测方法中，存在着生物性病害类型多样且涉及的水果种类复杂，症状的特征多样且容易与非生物性病害存在模糊相似的特征，因而既需要针对检测的精确性进行优化，也需要应对实时性检测提升检测效率的技术问题；在已有的水果病害检测方法中，存在着非生物性病害的特征存在易与生物性病害特征混淆的表现，而非生物性病害的数据规模相对生物性病害更少，因而适应非生物性病害的检测既需要应对数据量较少的问题，也需要同时提升检测的精度才能配合两项检测进行综合水果病害检测的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于机器学习的水果病害检测方法及系统，针对在已有的水果病害检测方法中，存在着水果病害的类型既存在生物性病害也存在非生物性病害，而针对两种病害的分类和进一步细节检测较为困难，传统方法要么聚焦于单独的生物性或非生物性分类检测，要么聚焦于某种具体病害的细分检测，而没有针对水果病害进行统一的检测，从而导致可用性和泛用性较为局限的技术问题，本方案创造性地采用预训练模型结合迁移学习方法进行生物性病害和非生物性病害的细节检测，并通过卷积支持向量机进行水果病害的生物性二分类检测，为水果病害由抽象到细节的检测流程提供了可行方案；针对在已有的水果病害检测方法中，存在着生物性病害类型多样且涉及的水果种类复杂，症状的特征多样且容易与非生物性病害存在模糊相似的特征，因而既需要针对检测的精确性进行优化，也需要应对实时性检测提升检测效率的技术问题，本方案创造性地采用结合层级优化双路径预训练模型的加权集成学习方法，进行生物性病害检测，通过残差网络优化精确度，并通过密集卷积网络优化检测效率，整体上提升了水果生物性病害检测的检测性能，并通过区分数据集训练，优化了生物性病害的检测专项能力；针对在已有的水果病害检测方法中，存在着非生物性病害的特征存在易与生物性病害特征混淆的表现，而非生物性病害的数据规模相对生物性病害更少，因而适应非生物性病害的检测既需要应对数据量较少的问题，也需要同时提升检测的精度才能配合两项检测进行综合水果病害检测的技术问题，本方案创造性地采用迁移学习方法，通过将大数据量的生物性病害检测的模型迁移至非生物性病害检测，既保障了基本的模型检测性能，也优化了非生物性检测的新数据的处理能力。

2、本发明采取的技术方案如下：本发明提供的一种基于机器学习的水果病害检测方法，该方法包括以下步骤：

3、步骤s1：水果数据收集；

4、步骤s2：数据增强；

5、步骤s3：生物性病害检测；

6、步骤s4：非生物性病害检测；

7、步骤s5：水果病害检测。

8、进一步地，在步骤s1中，所述水果数据收集，用于收集水果病害的基本图像，具体为从水果采收过程中，通过图像数据采集和人工数据标记，得到水果病害原始图像集；

9、所述水果病害原始图像集，依照数据标记类型进行分类，具体包括无病害图像、生物性病害图像和非生物性病害图像。

10、进一步地，在步骤s2中，所述数据增强，用于针对原始图进行数据质量的增强，具体为对所述水果病害原始图像集进行基本预处理、直方图均衡化、滤波去噪和数据分割操作，得到优化水果病害检测图像数据。

11、进一步地，在步骤s3中，所述生物性病害检测，用于针对生物性水果病害进行分项检测，具体为依据所述优化水果病害检测图像数据中的生物性病害检测优化数据，采用结合层级优化双路径预训练模型的加权集成学习方法，进行生物性病害检测，得到生物性病害检测分类数据；

12、所述结合层级优化双路径预训练模型，具体包括参数优化的resnet50预训练模型和参数优化的densenet201预训练模型；

13、所述参数优化的resnet50预训练模型，用于优化梯度消失问题，确保水果病害的多分类检测在加深模型深度的同时保留模型的检测性能；

14、所述参数优化的densenet201预训练模型，用于提升模型的计算和内存使用效率，优化特征传递和模型的整体检测速度；

15、所述加权集成学习，用于集成两种预训练模型的预测输出结果，并进行加权集成设置，得到生物性病害检测的综合检测预测结果；

16、所述采用结合层级优化双路径预训练模型的加权集成学习方法，进行生物性病害检测，得到生物性病害检测分类数据的步骤，包括：

17、步骤s31：构建残差网络预训练模型，具体为采用预训练的resnet50作为残差网络预训练模型，并构建包括输入层、残差层和输出层的基本残差网络，作为残差网络预训练模型生物性病害检测路径的基本预测子网；

18、步骤s32：残差网络参数优化设计，具体为通过引入二维全局平均池化层优化所述残差网络预训练模型的结构参数，并进行残差网络参数的修改调整，得到参数优化残差子网，所述参数优化残差子网的计算公式为：

19、；

20、式中，yrn是参数优化残差子网的预测输出，dense(·)是密集层函数，dropout(·)是随机失活层函数，avgpool2d(·)是二维全局平均池化层函数，resnet50(·)是标准resnet50预训练网络层表示函数，xinput是网络原始数据输入，用于表示所述优化水果病害检测图像数据；

21、步骤s33：构建密集连接卷积网络预训练模型，具体为采用预训练的densenet201作为密集连接卷积网络预训练模型，并构建包括输入层、密集连接卷积层和输出层的基本密集连接卷积网络，作为密集连接卷积网络预训练模型生物性病害检测路径的基本预测子网；

22、步骤s34：密集连接卷积网络参数优化设计，具体为通过引入二维全局平均池化层优化所述密集连接卷积网络预训练模型的结构参数，并进行密集连接卷积网络参数的修改调整，得到参数优化密集卷积子网，所参数优化密集卷积子网的计算公式为：

23、；

24、式中，ydn是参数优化密集卷积子网的预测输出，dense(·)是密集层函数，dropout(·)是随机失活层函数，avgpool2d(·)是二维全局平均池化层函数，densenet201(·)是标准densenet201预训练网络层表示函数，xinput是网络原始数据输入，用于表示所述优化水果病害检测图像数据；

25、步骤s35：双路径加权集成，具体为将所述参数优化残差子网和所述参数优化密集卷积子网的预测输出进行加权集成，得到水果生物性病害检测综合预测结果，计算公式为：

26、；

27、式中，yfinal是水果生物性病害检测综合预测结果，wrn是残差子网权重，yrn是参数优化残差子网的预测输出，wdn是密集卷积子网权重，ydn是参数优化密集卷积子网的预测输出，其中，所述残差子网权重wrn和所述密集卷积子网权重wdn满足wdn+wrn=1；

28、步骤s36：生物性病害检测模型训练，具体为通过所述构建残差网络预训练模型、所述残差网络参数优化设计、所述构建密集连接卷积网络预训练模型、所述密集连接卷积网络参数优化设计和所述双路径加权集成，进行生物性病害检测模型训练，得到生物性病害检测模型modelgp；

29、步骤s37：生物性病害检测，具体为依据所述优化水果病害检测图像数据，使用所述生物性病害检测模型modelgp，进行生物性病害检测，得到生物性病害检测分类数据。

30、进一步地，在步骤s4中，所述非生物性病害检测，用于针对非生物性水果病害进行分项检测，具体为依据所述优化水果病害检测图像数据中的非生物性病害检测优化数据，采用迁移学习方法，进行非生物性病害检测，得到非生物性病害检测分类数据；

31、所述迁移学习方法，具体将步骤s3中所述结合层级优化双路径预训练模型的加权集成学习方法进行生物性病害检测至非生物性病害检测的迁移学习，并使用迁移学习结合所述优化水果病害检测图像数据中的非生物性病害检测优化数据，进行非生物性病害检测模型训练；

32、所述采用迁移学习方法，进行非生物性病害检测，得到非生物性病害检测分类数据的步骤，包括：

33、步骤s41：模型加载复现，具体为加载所述生物性病害检测模型modelgp，并通过所述生物性病害检测模型modelgp复现所述结合层级优化双路径预训练模型的加权集成学习模型结构；

34、步骤s42：模型冻结，具体为冻结模型的resnet50预训练网络层和densenet201预训练网络层，并在模型中添加新的输出层，用于模型训练；

35、步骤s43：模型输出层修改，具体为采用softmax层代替所述生物性病害检测模型modelgp原本的密集层，用于针对非生物性病害检测任务进行适应性修改；

36、步骤s44：非生物性病害检测模型训练，具体为通过所述模型加载复现、所述模型输出层修改和所述模型冻结，进行非生物性病害检测模型训练，得到非生物性病害检测模型modelnp；

37、步骤s45：非生物性病害检测，具体为依据所述优化水果病害检测图像数据中的非生物性病害检测优化数据，使用所述非生物性病害检测模型modelnp进行非生物性病害检测，得到非生物性病害检测分类数据。

38、进一步地，在步骤s5中，所述水果病害检测，用于进行水果病害的类型分类检测，并结合两项分项检测的内容进行整体水果病害检测，具体为依据所述优化水果病害检测图像数据中的水果病害检测优化数据，结合所述生物性病害检测分类数据和所述非生物性病害检测分类数据，采用卷积支持向量机的方法进行整体水果病害检测，并通过区分水果病害的生物性或非生物性，结合所述生物性病害检测和所述非生物性病害检测，进行水果病害综合检测，得到水果病害检测参考数据；

39、所述水果病害检测参考数据，具体包括水果病害生物性分类和水果病害病症明细检测分类；

40、所述水果病害生物性分类，具体包括生物性病害类和非生物性病害类；

41、所述水果病害病症明细检测分类，具体包括白粉病、炭疽病、褐腐病、火疫病、角斑病、坏斑病花叶病、缺素症和日灼症。

42、本发明提供的一种基于机器学习的水果病害检测系统，包括水果数据收集模块、数据增强模块、生物性病害检测模块、非生物性病害检测模块和水果病害检测模块；

43、所述水果数据收集模块，用于水果数据收集，通过水果数据收集，得到水果病害原始图像集，并将所述水果病害原始图像集发送至数据增强模块；

44、所述数据增强模块，用于数据增强，通过数据增强，得到优化水果病害检测图像数据，并将所述优化水果病害检测图像数据发送至生物性病害检测模块、非生物性病害检测模块和所述水果病害检测模块；

45、所述生物性病害检测模块，用于生物性病害检测，通过生物性病害检测，得到生物性病害检测分类数据，并将所述生物性病害检测分类数据发送至水果病害检测模块；

46、所述非生物性病害检测模块，用于非生物性病害检测，通过非生物性病害检测，得到非生物性病害检测分类数据，并将所述非生物性病害检测分类数据发送至水果病害检测模块；

47、所述水果病害检测模块，用于水果病害检测，通过水果病害检测，得到水果病害检测参考数据。

48、采用上述方案本发明取得的有益效果如下：

49、（1）针对在已有的水果病害检测方法中，存在着水果病害的类型既存在生物性病害也存在非生物性病害，而针对两种病害的分类和进一步细节检测较为困难，传统方法要么聚焦于单独的生物性或非生物性分类检测，要么聚焦于某种具体病害的细分检测，而没有针对水果病害进行统一的检测，从而导致可用性和泛用性较为局限的技术问题，本方案创造性地采用预训练模型结合迁移学习方法进行生物性病害和非生物性病害的细节检测，并通过卷积支持向量机进行水果病害的生物性二分类检测，为水果病害由抽象到细节的检测流程提供了可行方案；

50、（2）针对在已有的水果病害检测方法中，存在着生物性病害类型多样且涉及的水果种类复杂，症状的特征多样且容易与非生物性病害存在模糊相似的特征，因而既需要针对检测的精确性进行优化，也需要应对实时性检测提升检测效率的技术问题，本方案创造性地采用结合层级优化双路径预训练模型的加权集成学习方法，进行生物性病害检测，通过残差网络优化精确度，并通过密集卷积网络优化检测效率，整体上提升了水果生物性病害检测的检测性能，并通过区分数据集训练，优化了生物性病害的检测专项能力；

51、（3）针对在已有的水果病害检测方法中，存在着非生物性病害的特征存在易与生物性病害特征混淆的表现，而非生物性病害的数据规模相对生物性病害更少，因而适应非生物性病害的检测既需要应对数据量较少的问题，也需要同时提升检测的精度才能配合两项检测进行综合水果病害检测的技术问题，本方案创造性地采用迁移学习方法，通过将大数据量的生物性病害检测的模型迁移至非生物性病害检测，既保障了基本的模型检测性能，也优化了非生物性检测的新数据的处理能力。