[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

说明书

本发明提供一种基于卷积神经网络的植物叶片病害检测方法，包括以下步骤：建立植物叶片病害检测数据集；从数据集的图像全部样本中选取训练集和测试集；将训练集中疾病的类别和数量进行统计分析；对图像进行数据增强处理；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；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，本发明利用卷积神经网络对植物叶片表面病害有无的判断和病害具体类型的确定，能对植物的生长状态进行自动监测。

技术领域

本发明属于图像识别技术领域，具体涉及是一种基于卷积神经网络的植物叶片病害检测方法。

背景技术

植物在人类生产、生活乃至生存中起着至关重要的作用。然而，由于人类生产和生活的不断扩大，人类过度狩猎和采集行为，许多工厂的污染，以及大规模土地植被的发展，极大地改变了自然生态系统，使得植物的环境适应性降低，自我调节失调，导致植物病害。

植物病害主要是由生物因素(生物病原体)和非生物因素(不适宜的生活环境)引起的，使得植物生长异常，可导致植物在一定时期内死亡。长期患病可导致植物物种灭绝或感染其他物种灭绝。这种效应往往能直观地反映在植物的叶片和根部，使患病植物的叶片和根茎病态。有针对性地治疗和疾病植物的保护尤为重要。

传统的植物叶片病害检测主要通过人工观察判断完成，在诊断过程中由于叶片病害区域表现出的特征具有相似性，使得诊断过程费时费力，费用昂贵，且由于人的主观性可能导致出现误检现象。

发明内容

本发明旨在至少在一定程度上解决上述技术问题之一。本发明公开了一种基于卷积神经网络的植物叶片病害检测方法，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疾病检测数据集，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；本发明利用卷积神经网络对植物叶片表面病害有无的判断和病害具体类型的确定，能对植物的生长状态进行自动监测，同时本发明利用基于卷积神经网络的深度学习模型，来提高病害检测的准确率。

本发明的技术方案是：一种基于卷积神经网络的植物叶片病害检测方法，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。

上述方案中，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。

进一步的，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。

进一步的，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。