[发明专利]一种基于图像处理与卷积神经网络的作物病害识别方法

说明书

本发明公开了一种基于图像处理与卷积神经网络的作物病害识别方法。本发明首先收集、整理和扩充了作物病害图像数据，然后对扩充平衡后的农作物病害叶片图像数据集进行预处理。针对亮度较低的图像，通过运用带颜色恢复的多尺度视网膜增强算法MSRCR提升图像整体亮度。然后通过基于GrabCut的全局图像自动分割GAAG算法对数据集做分割处理。最后选择MobileNet模型对样本数据集进行分类，先使用经过处理后的数据集对MobileNet模型进行训练，再调用训练好的模型对输入图像进行识别，进而得到农作物所患的病害信息。采用本发明所述的方法，能有效的去除图像背景噪声以及光线环境对模型识别的影响，具有自动化程度高、效率好和鲁棒性强的特点。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于图像处理与卷积神经网络的作物病害识别方法。

背景技术

作物生长的健康状况是影响我国经济作物产量的重要因素。虽然说现代的科学技术已经让我国有能力生产足够多的经济作物来满足社会的需求，但是在一些偏远地区，植物病害依然严重威胁着当地的作物生产安全。

在植物病害症状首次出现就正确识别它，是有效控制疾病蔓延并将其所造成的损失降到最小的关键步骤。传统的植物病害识别主要依靠少数研究者通过肉眼观察完成的，但具有专业知识的人员通常数量有限，而且有些患病区域地处偏远，致使传统的作物病害识别方法往往不具备很好的时效性。因此如何让机器代替人类去对作物的健康状况进行评估，成为了二十一世纪农业智慧化领域主要的研究方向之一。

随着计算机技术的飞速发展，图像处理、深度学习等方法也被应用于作物病害叶片的识别中。虽然近几年我国在该领域的研究取得了一定的成果，但现有的识别方法由于具有易受环境光线的影响、对构成复杂的背景元素处理能力较弱的缺点，导致方法的鲁棒性不强、泛化能力不高，使其还不能满足实际应用的要求。故发明一种有效的、鲁棒性较强的、泛化能力较高的综合作物病害识别方法是十分必要的。

发明内容

有鉴于此，本发明提供了一种基于图像处理与卷积神经网络的作物病害识别方法。

本发明提供一种基于图像处理与卷积神经网络的作物病害识别方法，包括以下步骤：

S1：首先收集、整理和扩充作物病害图像数据作为实验数据集，具体方法如下：

S11：使用常见的搜索引擎，按照PlantVillage公共数据集中所标记的作物种类以及其相对应的病害名称进行搜索，挑选叶片主体清晰、病害区域明显的图像并将其保存；

S12：将上述步骤所保存的图像每隔45度进行一次中心旋转，依次保存旋转后的图像；

S13：按照作物品种以及其所患病害种类，将S12之后的图像加入到公共作物病害数据集PlantVillage中，共同构成最终的实验数据集；

S2：对步骤S1的实验数据集进行预处理，具体的预处理操作可以分为以下两个部分：(1)对实验数据集中样本图像进行平滑滤波；(2)对平滑滤波后的样本图像进行锐化，以突出图像的边缘特征信息；

S3：根据图像直方图的平均值判断S2预处理之后样本图像的亮度是否在合理范围内，即对于直方图平均值小于80的样本图像，运用带颜色恢复的多尺度视网膜图像增强算法MSRCR提升样本图像的整体亮度；

S4：使用基于GrabCut全局图像自动分割算法GAAG对经过S3之后的样本图像进行背景分割，以突出病害叶片主体；

S5：使用迁移学习的方法，在经过步骤S4处理后的实验数据集上重新训练从imagenet数据库中学到大量先验视觉知识的MobileNet V2卷积神经网络模型的最后一层参数，使模型能够充分快速地学习到不同病害的特征，达到作物病害叶片分类的目的；

S6：对新的待识别图像调用S2、S3和S4进行处理，将处理后的图像输入到S5已经训练好的模型，进行识别分类。