[发明专利]一种基于大数据与深度学习的病虫害识别系统

说明书

本发明公开了一种基于大数据与深度学习的病虫害识别系统，包括数据收集模块，采用基于Hadoop框架的爬虫任务调度平台实现数据的收集，数据存储与处理模块使用MySQL数据库结合HDFS对数据进行有效存储与处理，数据应用模块改进经典YOLO V4算法为病虫害分类任务使用；本发明使用任务调度平台，方便获取互联网上海量数据，解决数据量不足问题；Hadoop平台实现多服务器的有效管理，解决了海量数据的收集难和存储难的问题；目标检测算法可以有效、快速地进行植物疾病的识别；模型训练任务平台简化了模型训练任务过程；可视化展示平台以直观、易理解的方式给农民提供信息服务。利用本平台可以辅助农民对病虫害进行及时、有效的鉴定，防止疾病和虫害的蔓延而造成经济损失。

技术领域

本发明涉及大数据和深度学习领域，尤其涉及一种基于大数据与深度学习的病虫害识别系统。

背景技术

根据植物患病的图像进行相关诊断是智慧农业的研究热点之一，需要对患病处图像的病变性状（颜色，面积，溃烂）进行区分最终得出患病种类，具有较高的复杂性。由于这种复杂性，即使是经验丰富的农艺师和植物病理学家也常常无法成功地诊断出特定的疾病，从而导致错误的结论和治疗；十年来随着互联网的发展，海量数据的出现、以及人工智能新技术、图像处理和图形处理单元（Graphics Processing Unit, GPU）的显著进步，促使人工智能发展迅速，在病虫害上可以提高识别病虫害的准确度，对于缺乏适当经验的农民来说，它也可能是一种很有价值的工具。 此外，在大规模种植的情况下，该系统可以与自动农用车结合使用，从而通过连续图像捕获来准确、及时地定位整个种植区域的发病情况。进行有效的早期干预保护作物生长。

在病虫害识别系统中，涉及到许多病虫害数据的分类任务，要想获得较高的分类精确度，病虫害图片的数量是一个关键因素，因此病虫害图片数据具有较高的研究与利用价值；在获取病虫害图片数据时，传统的单节点爬虫技术面对数据量大，数据类型多的数据，爬取速度慢，难以获得模型训练所需要的大量数据；其中，模型训练过程中过程繁琐，模型更新麻烦，容易造成服务器空闲和算力浪费；另外，传统技术部署不方便、部署版本混乱、部署隔离性差，脚本、代码也难于管理。

目前国内外对图片分类的方法主要包含两类方法，一类是早期的机器学习分类模型对学习到的图片的特征进行分类，另一类是以卷积神经网络( Convolutional NeuralNetwork，CNN)为代表的深度学习方法，自动提取特征使用全连接层结合Softmax函数进行分类。本发明使用基于深度CNN的模型来解决植物叶片病害识别问题，深度卷积神经网络是一类深度学习算法，其最基本的组件为卷积层 池化层 全连接层。深度学习通过向模型中添加更多的上述层结构来改善传统的机器学习。深度卷积神经网络广泛应用在图像分类，目标检测，语义分割，语音识别，推荐系统和自然语言处理中。

卷积神经网络CNN是一包含卷积的多层网络。包括输入层、卷积层、池化层、全连接层以及输出层。近年国内外比较经典的CNN 模型有LeNet、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet 系列、DenseNet，DPN以及针对移动端的轻量网络Mobilenet系列。这些模型均是改进的LeNet 模型。

YOLO算法是一种高效快速的端到端目标检测算法，目前共有5个版本，YOLO将对象分类和检测统一到一个回归过程中。 它没有采用区域提议的过程，而是直接利用回归来检测目标。 因此，它有效地加速了检测过程。 YOLO-V4版本不仅具有令人满意的精度和高速度，而且在小目标检测方面也有出色的表现。 对脐橙病灶检测具有极好的参考价值。