[发明专利]一种草莓病虫害快速分类方法及装置

说明书

本发明公开了一种草莓病虫害快速分类方法，包括以下步骤：从多个平台上持续获取草莓病虫害图像数据，形成草莓病虫害数据库；针对草莓病虫害图像数据进行统一标定；从标定好的草莓病虫害数据库中选取样本集；建立深度卷积神经网络模型，所述模型的输入为草莓病虫害原始图像，输出为草莓病虫害分类向量；将样本集放入深度卷积神经网络模型中进行训练，利用S折交叉验证来选择模型；将待分类的草莓病虫害图像输入到选择的模型中进行计算，得到所述待分类的草莓病虫害的分类结果。还公开一种草莓病虫害快速分类装置。本发明能够自动学习草莓病虫害相关核心特征，节省了人力操作，解决了草莓病虫害分类过程中的主观性和随意性。

技术领域

本发明涉及农业工程技术领域，尤其是涉及一种草莓病虫害快速分类方法及装置。

背景技术

草莓病虫害种类危害严重，且种类繁多，为了更好的对其采取防治措施，则需要对病虫害的类别进行有效的识别和分类。目前，国内外对病虫害识别或者分类方法存在一系列的研究：

1、一种基于人工智能的农业病虫害识别方法CN201810660699

一种基于人工智能的农业病虫害识别方法，步骤1，对采集到的叶子图像进行预处理，使用快速傅里叶变换将叶子图像变换到频域，去掉高频部分，恢复成空域图像；步骤2，将得到的图像进行碎片多尺度化处理，得到不同尺度的图像切片，形成不同尺度的训练数据集；步骤3，构建深度神经网络模型进行参数初始化和调优，使其更适宜于农作物数据；步骤4，将深度网络模型得到的多尺度特征进行MLP特征融合，使用融合的特征训练分类器进行识别。

2、基于卷积神经网络的草莓叶部白粉病病害识别[J].江苏农业学报，2018

针对计算机视觉下草莓叶部白粉病病害的识别提出了一种基于卷积神经网络的病害识别模型。首先设计了3种网络深度(经过3、4和5次卷积操作)与3种卷积核(5×5、3×3、5×5 3×3混合)交叉组合共9种不同网络深度与卷积核尺寸的卷积神经网络结构；其次分别选择了4种采样层构建方法(均值池化、最大值池化、中间值池化和混合池化)；最后进行了9组训练集与测试集不同比例的模型识别，结果表明基于混合池化的CNN-9模型(卷积核尺寸5×5、3×3卷积神经网络)表现最好，对草莓叶部白粉病病害的正确识别率达到98.61％。该方法可较好地实现草莓叶部白粉病病害的识别且图像预处理步骤简单、易推广，可用于草莓白粉病病害的实时监测。

3、基于改进卷积神经网络的多种植物叶片病害识别[J].农业工程学报，2017

针对训练收敛时间长，模型参数庞大的问题，该文将传统的卷积神经网络模型进行改进，提出一种批归一化与全局池化相结合的卷积神经网络识别模型。通过对卷积层的输入数据进行批归一化处理，以便加速网络收敛。进一步缩减特征图数目,并采用全局池化的方法减少特征数。通过设置不同尺寸的初始层卷积核和全局池化层类型,以及设置不同初始化类型和激活函数,得到8种改进模型,用于训练识别14种不同植物共26类病害并选出最优模型。改进后最优模型收敛时间小于传统卷积神经网络模型,仅经过3次训练迭代,就能达到90％以上的识别准确率；参数内存需求仅为2.6MB,平均测试识别准确率达到99.56％，查全率和查准率的加权平均分数为99.41％。改进模型受叶片的空间位置的变换影响较小,能识别多种植物叶片的不同病害。该模型具有较高的识别准确率及较强的鲁棒性,该研究可为植物叶片病害的识别提供参考。

当前，国内外研究成果表明，大多数方法及装置能够识别的草莓病虫害种类较少、识别场景单一、数据源获取有限，无法基于一种方法和一套装置实现在复杂环境下的多种草莓病虫害的快速识别。

发明内容

发明目的：为了克服背景技术的不足，本发明公开了一种基于深度卷积神经网络的草莓病虫害分类方法，还公开了一种基于深度卷积神经网络的草莓病虫害分类装置。

技术方案：本发明草莓病虫害快速分类方法，包括以下步骤：