[发明专利]一种基于卷积神经网络的植物叶片病害检测方法

权利要求书

1.一种基于卷积神经网络的植物叶片病害检测方法，其特征在于，包括以下步骤：

步骤S1、获取植物叶片图像，建立植物叶片病害检测数据集；

步骤S2、从步骤S1中数据集的图像全部样本中选取训练集和测试集，在测试集中，对叶片的图像进行拓展，得到最终叶片测试集；

步骤S3、将步骤S2中的训练集中疾病的类别和数量进行统计分析；

步骤S4、对图像进行数据增强处理；

步骤S5、使用卷积神经网络作为深度学习模型，使用训练集对卷积神经网络深度学习模型进行训练，通过训练后得到的卷积神经网络深度学习模型对测试集进行检测，直到达到预设的准确率，得到通过测试的卷积神经网络深度学习模型；

步骤S6、采用通过测试的卷积神经网络深度学习模型植物叶片进行检测，得到植物叶片病害检测结果。

2.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法，其特征在于，所述步骤S1具体为：在实时的农业场景下获取植物叶片健康状态和发生病虫害的图像建立植物叶片病害检测数据集，对不同疾病的植物叶片进行多角度、不同天气、不同光照下进行多种类别的图像数据采集。

3.根据权利要求2所述的基于卷积神经网络的植物叶片病害检测方法，其特征在于，所述步骤S1分别在光照充足、阴影和光照不足阴天情况下采集植物叶片图像。

4.根据权利要求2所述的基于卷积神经网络的植物叶片病害检测方法，其特征在于，所述步骤S1数据集的植物叶片图像按角度不同分为：

叶片正面朝上的作为第一类；

叶片呈0°-25°翻转的作为第二类；

叶片呈25°-50°翻转的作为第三类。

5.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法，其特征在于，所述步骤S1中数据集的植物叶片图像包括：

图像中叶片之间没有相互遮挡，呈现出单独完整的叶片；

图像中叶片生长密集，存在相互遮挡的情况；

图像中叶片发生卷曲、弯折的情况。

6.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法，其特征在于，所述步骤S2中从全部样本中选取80％构成训练集，20％构成测试集，在测试集中，对叶片的图像进行拓展，得到最终叶片测试集。

7.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法，其特征在于，所述步骤S2中测试集图像的拓展为对测试集中的部分叶片进行不同角度的旋转。

8.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法，其特征在于，所述步骤S4中数据增强处理具体为：对图像进行随机水平或垂直翻转、随机旋转角度、随机缩放原图操作。

9.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法，其特征在于，所述步骤S5中卷积神经网络深度学习模型的具体训练方法为：

使用大规模植物叶片病害检测数据集来获取预训练模型；

使用植物叶片病害检测数据集分别对mobilenet和resnet50模型进行迁移学习来调整参数，得到各自的权重值；

将mobilenet和resnet50这两个模型进行融合，在模型融合方法中，使用加权平均算法则预测结果为：

其中，w₁为mobilenet模型的权重值，w₂为resnet50模型的权重值，为mobilenet模型的预测结果，为resnet50模型的预测结果；

计算预测结果与实际结果的误差，产生损失函数，使用反向传播算法更新每一层的权重系数，对损失函数进行优化，使得损失函数的值最小；

当输出的预测结果达到期望值，则结束训练，当输出的预测结果小于期望值时，则需要调整模型层数或者超参数来优化模型，继续训练。