[发明专利]一种基于深度卷积神经网络的病虫害检测方法

说明书

一种基于深度卷积神经网络的病虫害检测方法，根据农作物类别、病虫害类别和严重程度对待检测的农作物病虫害进行分类；利用摄像仪器拍摄患病农作物的叶片来制作与病虫害相关的数据集；设置堆叠网络模块，该堆叠网络模块包括卷积神经网络中的卷积层、归一化层和激活函数层，各层的特征图层数相互叠加，融和各层特征；将堆叠网络模块嵌入病虫害检测深度卷积神经网络中；通过病虫害检测深度卷积神经网络框架搭建网络模型，在数据集基础上训练网络模型，最后，将待检测的农作物叶片送入网络模型，得到检测结果。本发明检测精度高，应用范围广，能应用在农业农作物防治领域如水稻田病虫害检测、果树病虫害检测、大豆病虫害检测等。

技术领域

本发明属于农作物的病虫害分类领域，特别涉及一种基于深度卷积神经网络的病虫害检测方法。

背景技术

农作物病虫害对农业生产有很多不利的影响，包括降低产量、降低品质、影响经济等。传统的病虫害防治方法局限于人为的监控、观察和数据计算整理，存在耗费时间，准确度不高，防治效果不及时的问题。农作物病虫害十分复杂，在不同时令会有各种病症，在复杂情况下，仍应考虑气候、种植面积、农作物品种、区域等各种因素进行防治。由于农作物数据集仅包括叶片图片信息，对于农作物多方面的受害信息的提取并通过深度神经网络学习与优化是今后农业领域的研究重点与发展方向。

发明内容

本发明要解决的技术问题是提供一种基于深度卷积神经网络的病虫害检测方法。

为了解决上述技术问题，本发明采取以下技术方案：

一种基于深度卷积神经网络的病虫害检测方法，包括以下步骤：

根据农作物类别、病虫害类别和严重程度对待检测的农作物病虫害进行分类；

利用摄像仪器拍摄患病农作物的叶片来制作与病虫害相关的数据集；

设置堆叠网络模块，该堆叠网络模块包括卷积神经网络中的卷积层、归一化层和激活函数层，各层的特征图层数相互叠加，融和各层特征；

将堆叠网络模块嵌入病虫害检测深度卷积神经网络中；

通过病虫害检测深度卷积神经网络框架搭建网络模型，在数据集基础上训练网络模型，最后，将待检测的农作物叶片送入网络模型，得到检测结果。

根据农作物往年患病情况，确定具体待检测的病虫害，并对病虫害按照农作物-具体病害-严重程度划分。

所述制备数据集时，选取一病虫害受灾区域，病虫害划分的分类采摘农作物叶片，每一类病虫害对应的采摘叶片数量都在预设范围内且分别超过200片以上，对采摘叶片利用摄像仪器进行拍摄，叶片位于图片正中心，且图片为高清彩色图片。

所述堆叠网络模块的卷积层中的卷积核大小安排是先进行1*1，再进行3*3的卷积操作。

所述在搭建网络模型时，将堆叠网络模块融合在病虫害检测深度卷积神经网络分支，在病虫害检测深度卷积神经网络末端增加全局池化层，全局池化层后连接全连接层。

所述共设三个不同深度的堆叠网络模块，分别融和在病虫害检测深度卷积神经网络分支。

所述训练网络模型具体包括以下步骤：

将获取的叶片的图片进行病虫害类别标签、数据预处理，得到叶片的真实标签，将叶片的图片分为训练集、验证集、测试集，训练集图片中裁剪农作物叶片，裁剪图片，归一化大小，得到新的训练集；

将制作得到的数据集送入网络模型并输出实际值，根据真实标签与实际值计算损失函数值，利用梯度下降反向传播算法更新网络模型的参数，每次更新的网络模型利用验证集验证结果，通过若干次训练，得到训练完成的网络模型。

将测试集送入训练完成的网络模型，通过与真实标签比对计算出网络模型检测准确率。