[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet的玉米葉片病害識別方法

在審

• 申請?zhí)枺?/td>: 201810001661.4
• 申請日: 2018-01-02
• 公開（公告）號: CN107945182A
• 公開（公告）日: 2018-04-20
• 發(fā)明（設(shè)計(jì)）人: 張喜海;喬岳;孟繁鋒;張明明;許綏佳;李想;趙語杭;范成國;宋偉先;許永花
• 申請（專利權(quán)）人: 東北農(nóng)業(yè)大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T3/60;G06K9/46;G01N21/88;G06N3/04
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所23109
• 代理人: 岳泉清

1.基于卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet的玉米葉片病害識別方法，其特征在于：所述玉米葉片病害識別方法包括以下步驟：

步驟一：進(jìn)行玉米葉片圖像數(shù)據(jù)集的收集，將收集的玉米葉片圖像數(shù)據(jù)集進(jìn)行擴(kuò)大后，進(jìn)行圖像數(shù)據(jù)集的預(yù)處理；預(yù)處理后的圖像數(shù)據(jù)集分為訓(xùn)練集和測試集；

步驟二：將步驟一預(yù)處理后的訓(xùn)練集和測試集輸入到卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet中利用第一個(gè)分類器進(jìn)行訓(xùn)練和測試，調(diào)整卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet參數(shù)，得到優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet；

步驟三：將步驟一處理后的測試集輸入步驟二得到的優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet中，完成對玉米葉片病害種類的識別。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet的玉米葉片病害識別方法，其特征在于：所述步驟一中將收集的玉米葉片圖像數(shù)據(jù)集進(jìn)行擴(kuò)大的具體過程為：

將玉米葉片圖像數(shù)據(jù)集中的圖像分別進(jìn)行90°、180°、270°的旋轉(zhuǎn)，將旋轉(zhuǎn)后的圖像進(jìn)行鏡像處理，將鏡像處理后的圖像的中心進(jìn)行分割；將旋轉(zhuǎn)、鏡像及分割后的圖像依次轉(zhuǎn)換為灰度圖。

3.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet的玉米葉片病害識別方法，其特征在于：所述步驟一中進(jìn)行圖像數(shù)據(jù)集的預(yù)處理的具體過程為：

利用Python語言基于OpenCv對輸入數(shù)據(jù)集中的圖像名稱、格式及大小進(jìn)行歸一化處理，對歸一化處理后的圖像類別進(jìn)行標(biāo)記，所述圖像類別包括8個(gè)葉片病害類別和1個(gè)健康葉片類別，8個(gè)葉片病害類別為大斑病、小斑病、銹病、褐斑病、圓斑病、彎孢菌葉斑病、灰斑病和矮花葉病。

4.根據(jù)權(quán)利要求3所述的基于卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet的玉米葉片病害識別方法，其特征在于：所述步驟一中訓(xùn)練集為圖像數(shù)據(jù)集的80％，測試集為圖像數(shù)據(jù)集的20％。

5.根據(jù)權(quán)利要求4所述的基于卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet的玉米葉片病害識別方法，其特征在于：所述步驟二中調(diào)整卷積神經(jīng)網(wǎng)絡(luò)模型GoogleNet參數(shù)的具體過程為：

設(shè)置初始學(xué)習(xí)率為0.001～0.0001，權(quán)重衰減系數(shù)為0.0002～0.0001，學(xué)習(xí)率變化的比率為0.95～0.98，學(xué)習(xí)率變化間隔為2000～3000。