[发明专利]基于卷积神经网络的设施蔬菜病害识别方法及装置

说明书

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于卷积神经网络的设施蔬菜病害识别方法及装置。

背景技术

基于人工的设施蔬菜病害识别，不但耗费大量的人力和时间，而且主观性较高，容易产生误差。虽然在田间栽培过程中，有植保专家对农民进行指导，但由于时间和精力的限制，大部分的病害识别和防治工作仍然需要农民自己完成。病害识别的滞后和不足，不但影响了蔬菜的品质，同时导致农药施用量逐步增加，产生农药残留超标等食品安全问题。

目前，基于计算机视觉的设施蔬菜病害识别研究，基本已形成了由图像分割、特征提取和模式识别三个环节组成的固定模式，取得了一定的研究成果。但是基于该模式进行蔬菜病害识别，涉及到的中间交叉环节较多，对病斑特征的依赖程度较高，例如，准确提取病斑图像底层特征、选择对分类器贡献率较高的分类特征等。

而在田间实际环境中获取的病害图像中，由于存在大量由光照条件不均匀、复杂背景环境产生的噪声等原因，势必会影响特征提取及优化的准确率，并增加图像处理方法的计算量，进而会对病害识别的实时性和准确性造成影响，导致了该方法难以在实际应用中推广。

因此，如何设计一种能够有效减少中间环节和人工干预的设施蔬菜病害识别方法，是亟待解决的问题。

发明内容

针对现有技术中的问题，本发明提供一种基于卷积神经网络的设施蔬菜病害识别方法及装置，自动化程度高且识别效率高，能够有效减少病害识别的中间环节和人工干预，降低识别过程的应用成本和复杂程度，有效提高设施蔬菜病害识别的准确性和实时性。

为解决上述技术问题，本发明提供以下技术方案：

第一方面，本发明提供一种基于卷积神经网络的设施蔬菜病害识别方法，所述识别方法包括：

自动采集目标设施蔬菜的病斑图像，并构建所述病斑图像对应的输入数据集，其中，所述输入数据集包括：训练数据集、验证数据集和测试数据集；

将所述病斑图像对应的输入数据集作为模型的输入，建立用于识别所述目标设施蔬菜病害种类的卷积神经网络模型；

以及，根据梯度下降算法和所述测试数据集对所述卷积神经网络模型进行模型训练、验证和测试，得到对所述目标设施蔬菜病害的种类识别结果。

进一步地，在所述将所述病斑图像作为模型的输入之前，所述方法还包括：

对所述病斑图像进行预处理；

根据预处理后的病斑图像构建初始数据集，并将所述初始数据集划分为训练数据集、验证数据集和测试数据集；

以及，采用旋转扩充和/或翻转扩充的数据增强方式，对所述初始数据集中的数据量进行扩充，得到所述病斑图像对应的输入数据集。

进一步地，所述将所述病斑图像对应的输入数据集作为模型的输入，建立用于识别所述目标设施蔬菜病害种类的卷积神经网络模型，包括：

将所述病斑图像对应的输入数据集作为所述卷积神经网络模型的输入层的输入；

根据所述输入数据集中的图像数据的图像尺寸建立所述卷积神经网络模型的处理模块；

以及，依次连接所述输入层、处理模块、用于将所述处理模块的输出转化为一维向量的全连接层和用于输出所述目标设施蔬菜病害的种类识别结果的分类器输出层，完成所述卷积神经网络模型的建立。

进一步地，所述处理模块中至少包括依次连接的三个处理单元，且第一个处理单元和第二个处理单元中均包括依次连接的卷积层、修正线性单元ReLU层和池化层，第三个处理单元包括连接的所述卷积层和修正线性单元ReLU层；

其中，依次连接的三个处理单元中的各卷积层中的卷积核的尺寸依次递减、且卷积核的数量依次递增，每个处理单元中的卷积层的卷积核的尺寸均大于同一处理单元中的所述池化层中的卷积核的尺寸。

进一步地，所述根据梯度下降算法和所述测试数据集对所述卷积神经网络模型进行模型训练、验证和测试，得到对所述目标设施蔬菜病害的种类识别结果，包括：

所述处理模块中的三个处理单元中基于梯度下降算法依次对所述输入数据集进行处理和传递，直到所述第三个处理单元中的池化层输出目标特征图；其中，所述处理模块中的所述卷积层提取接收的所述输入数据集的特征图；所述ReLU层对接收到的所述特征图进行非线性转化；所述池化层对接收的非线性转化后的特征图进行尺寸减小处理；

所述全连接层将所述目标特征图转化为一维向量；

以及，所述分类器输出层基于柔性最大值传输softmax分类函数，根据所述一维向量输出所述目标设施蔬菜病害的种类识别结果。