[發明專利]基于卷積神經網絡模型GoogleNet的玉米葉片病害識別方法

在審

• 申請號: 201810001661.4
• 申請日: 2018-01-02
• 公開（公告）號: CN107945182A
• 公開（公告）日: 2018-04-20
• 發明（設計）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）人: 東北農業大學
• 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事務所23109
• 代理人: 岳泉清

技術領域

本發明涉及圖像識別技術領域，具體涉及基于卷積神經網絡模型GoogleNet的玉米葉片病害識別方法。

背景技術

玉米是我國重要的糧食作物和飼料作物。近些年由于耕作栽培制度的改變、病原菌品種的變異、植物保健措施不健全等造成玉米病害發生且危害程度逐年加重，種類也逐年增多，常見的玉米葉片病害有：大斑病、小斑病、銹病、圓斑病、彎孢葉斑病、矮花葉病等。在我國現行的病害分類、識別工作主要是依靠少數植保專家和農技人員來完成的，但病害種類繁多，而每一位植保專家窮其所能也只能識別部分病害。

在當今模式識別領域，基于無監督的深度學習理論及其改進方法成為眾多學者研究的熱點，該算法在人臉識別、物體識別領域被廣泛應用，并取得了較好的效果。基于作物病害圖像的作物病害識別方法研究一直是圖像處理和機器學習領域的一個重要的研究課題，但是當前的方法往往面臨網絡參數較多、識別精確度不高的問題。因此，如何減少訓練時網絡模型的參數，并且提高玉米葉片病害種類的識別精確度已經成為急需解決的技術問題。

發明內容

本發明的目的是為了解決現有玉米葉片病害識別技術中網絡模型參數較多、病害種類識別精確度低的缺點，而提出基于卷積神經網絡模型GoogleNet的玉米葉片病害識別方法。

基于卷積神經網絡模型GoogleNet的玉米葉片病害識別方法包括以下步驟：

步驟一：進行玉米葉片圖像數據集的收集，將收集的玉米葉片圖像數據集進行擴大后，進行圖像數據集的預處理；預處理后的圖像數據集分為訓練集和測試集；

步驟二：將步驟一預處理后的訓練集和測試集輸入到卷積神經網絡模型GoogleNet中利用第一個分類器進行訓練和測試，調整卷積神經網絡模型GoogleNet參數，得到優化的卷積神經網絡模型GoogleNet(最優的top-1精度和最小的模型損失)；

步驟三：將步驟一處理后的測試集輸入步驟二得到的優化后的卷積神經網絡模型GoogleNet中，完成對玉米葉片病害種類的識別。

本發明的有益效果為：

采用GoogleNet模型的第一個分類器對玉米葉片圖像數據集中的9類樣本進行50000次迭代，并且每進行100次迭代后就對top-1精確度以及模型損失進行一次測量，實驗得到的top-1精確度和損失。本發明中，GoogleNet模型初始學習率為0.001，采用“step”的方法每迭代2000次對學習率進行一次衰減，學習率變化的比率為0.96。當訓練迭代10000次后，測試top-1精確度趨于穩定并且逐漸趨向于1，損失度逐漸接近于0趨于穩定。經實驗，利用改進后的GoogleNet模型對玉米葉片圖像數據進行訓練及測試后，得到的top-1精確度平均值為98.9％，損失平均值為1.6％。改進后模型的識別精確度與損失較原始模型均有提升。

附圖說明

圖1為本發明流程圖；

圖2為本發明中卷積神經網絡模型GoogleNet中“Inception”模塊的結構；

圖3為本發明利用原始卷積神經網絡模型GoogleNet對玉米葉片圖像數據集進行病害識別的測試精確度隨迭代次數變化的曲線；

圖4為本發明利用原始卷積神經網絡模型GoogleNet對玉米葉片圖像數據集進行病害識別的測試模型損失隨迭代次數變化的曲線；

圖5為本發明利用優化后的卷積神經網絡模型GoogleNet對玉米葉片圖像數據集進行病害識別的測試精確度隨迭代次數變化的曲線；

圖6為本發明利用優化后的卷積神經網絡模型GoogleNet對玉米葉片圖像數據集進行病害識別的測試模型損失隨迭代次數變化的曲線。

具體實施方式

具體實施方式一：如圖1所示，基于卷積神經網絡模型GoogleNet的玉米葉片病害識別方法包括以下步驟：

步驟一：進行玉米葉片圖像數據集的收集，將收集的玉米葉片圖像數據集進行擴大后，進行圖像數據集的預處理；預處理后的圖像數據集分為訓練集和測試集；

步驟二：將步驟一預處理后的訓練集和測試集輸入到卷積神經網絡模型GoogleNet中利用第一個分類器進行訓練和測試，調整卷積神經網絡模型GoogleNet參數，得到優化的卷積神經網絡模型GoogleNet(最優的top-1精度和最小的模型損失)；

步驟三：將步驟一處理后的測試集輸入步驟二得到的優化后的卷積神經網絡模型GoogleNet中，完成對玉米葉片病害種類的識別。