[发明专利]一种基于卷积神经网络的植物病虫害检测方法

说明书

本发明公开了一种基于卷积神经网络的植物病虫害检测方法，具体步骤如下：第一步，获取训练数据集；第二步，对图像进行预处理；第三部，从全部样本中选取80%构成训练样本集，20%构成测试样本集；第四步，将训练样本集中的样本送入搭建好的网络模型中进行训练，并得到训练好的分类器保存；第五步，调用已保存的分类器对测试样本集图像进行计算；第六步，得到训练好的模型后，可在实际种植地拍摄相应植物病害图像，上传至云平台进行分析，云平台实时将识别结果发送给客户端。本发明能够对不同的植物，不同的病虫害种类，使用相同的方法进行植物病虫害检测，同时方法具有实用性、准确性和实时性。

技术领域

本发明涉及图像处理与深度学习技术领域，具体涉及一种基于卷积神经网络的植物病虫害检测方法。

背景技术

植物病虫害是现代农业生产的主要影响因素，每年农作物病虫害所带来的危害不仅是作物减产质量下降，更是对一个地区的地方财政和农业经济产生巨大的影响，因此，国内外的许多专家对植物病虫害的防治进行了深入的研究，对病虫害的检测提出了许多种方法。传统的方法是通过农业从业者根据多年积累的种植经验实地观察农作物的叶片来完成，这种方法存在很大的主观性，依赖于个人经验判断，其准确性和覆盖面难以得到保证；另一种方法是利用人工智能的方式，结合该领域数据集，对植物病虫害进行分析研究从而达到检测病虫害的目的。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于卷积神经网络的植物病虫害检测方法，能够对不同的植物，不同的病虫害种类，使用相同的方法进行植物病虫害检测，同时方法具有实用性、创造性、准确性和实时性。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：

一种基于卷积神经网络的植物病虫害检测方法，其中，具体步骤如下：

1、获取训练数据集，使用网络摄像机拍摄图像，再将图像上传到云平台de等待下一步的处理，得到原始的数据集。

2、对图像进行预处理，对获取到的图像进行降噪、图像增强和标注，主要标注为健康和发生病虫害两类标记，以脐橙叶病变检测为例，将数据集分为三种，分别为：健康叶片、黄龙病一般叶片、黄龙病严重叶片，对图像进行增强，提高对比度和灰度色调变化，调整图像亮度，使图像更加清晰。

3、从全部样本中选取80％构成训练样本集，20％构成测试样本集，同样以脐橙叶病变检测训练样本集中分为健康、黄龙病一般、黄龙病严重三类。

4、将训练样本集中的样本送入搭建好的网络模型中进行训练，并得到训练好的分类器保存，使用的是卷积神经网络，网络结构如图1所示，该网络包含了13个卷积层(Convolutional Layer)，如图2中有2个“conv,64”、2个“conv,128”、 3个“conv,256”、6个“conv,512”；3个全连接层(Fully connected Layer),如图2的1个“FC 1000”、2个“FC4096”；5个池化层(Pool layer),分别用maxpool 表示，池化操作为最大池化，步幅stride＝1，填充方式padding＝same，使用Dropout 算法防止过拟合。

假设输入为尺寸是224×224×3的图像，在卷积网络的训练过程如下：

A:初始深度卷积神经网络：独立初始化十三个卷积层；

B:读取训练数据,将图像数据大小归一化为224×224的大小，再将图像转化为三通道RGB图像。

C:输入数据经过卷积层,卷积过程用公式表示如下卷积层的矩阵输出大小为:[(n+2p-f)/s]+1,向下取整向下取整其中n为输入矩阵的大小，f为卷积核的大小，p为padding的大小，s为strides的大小。