[發明專利]一種基于深度卷積神經網絡的病蟲害檢測方法

有效

• 申請號: 201910280657.0
• 申請日: 2019-04-09
• 公開（公告）號: CN110009043B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 何峰;唐宇;王楠;馬敬奇;吳亮生;楊錦;陳再勵
• 申請（專利權）人: 廣東省智能制造研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 羅曉林;楊桂洋

1.一種基于深度卷積神經網絡的病蟲害檢測方法，

根據農作物類別、病蟲害類別和嚴重程度對待檢測的農作物病蟲害進行分類；

利用攝像儀器拍攝患病農作物的葉片來制作與病蟲害相關的數據集；

設置堆疊網絡模塊，該堆疊網絡模塊包括卷積神經網絡中的卷積層、歸一化層和激活函數層，各層的特征圖層數相互疊加，融和各層特征；

將堆疊網絡模塊嵌入病蟲害檢測深度卷積神經網絡中；

通過病蟲害檢測深度卷積神經網絡框架搭建網絡模型，在數據集基礎上訓練網絡模型，最后，將待檢測的農作物葉片送入網絡模型，得到檢測結果；

所述病蟲害檢測深度卷積神經網絡包括最初7*7大小的卷積層和池化層和四個發射層Inception module,每個Inception module結構之間包括一個卷積層和池化層，在病蟲害檢測深度卷積神經網絡末端包括全局平均池化層和全連接層、softmax層，病蟲害檢測深度卷積神經網絡的結構由如下組成：卷積層-1、池化層-1、堆積層Inception-1、卷積層-2、池化層-2、堆積層Inception-2、卷積層-3、池化層-3、堆積層Inception-3、卷積層-4、池化層-4、堆積層Inception-4、全局平均池化層、全連接層、softmax，Inception module中包括三個不同的堆積塊dense block，該三個不同的堆積塊dense block的層數分別是：6,12,24。

2.根據權利要求1所述的基于深度卷積神經網絡的病蟲害檢測方法，其特征在于，根據農作物往年患病情況，確定具體待檢測的病蟲害，并對病蟲害按照農作物-具體病害-嚴重程度劃分。

3.根據權利要求2所述的基于深度卷積神經網絡的病蟲害檢測方法，其特征在于，制備數據集時，選取一病蟲害受災區域，病蟲害劃分的分類采摘農作物葉片，每一類病蟲害對應的采摘葉片數量都在預設范圍內且分別超過200片以上，對采摘葉片利用攝像儀器進行拍攝，葉片位于圖片正中心，且圖片為高清彩色圖片。

4.根據權利要求3所述的基于深度卷積神經網絡的病蟲害檢測方法，其特征在于，所述堆疊網絡模塊的卷積層中的卷積核大小安排是先進行1*1，再進行3*3的卷積操作。

5.根據權利要求4所述的基于深度卷積神經網絡的病蟲害檢測方法，其特征在于，所述在搭建網絡模型時，將堆疊網絡模塊融合在病蟲害檢測深度卷積神經網絡分支，在病蟲害檢測深度卷積神經網絡末端增加全局池化層，全局池化層后連接全連接層。

6.根據權利要求5所述的基于深度卷積神經網絡的病蟲害檢測方法，其特征在于，所述訓練網絡模型具體包括以下步驟：

將獲取的葉片的圖片進行病蟲害類別標簽、數據預處理，得到葉片的真實標簽，將葉片的圖片分為訓練集、驗證集、測試集，訓練集圖片中裁剪農作物葉片，裁剪圖片，歸一化大小，得到新的訓練集；

將制作得到的數據集送入網絡模型輸出實際值，根據真實標簽與實際值計算損失函數值，利用梯度下降反向傳播算法更新網絡模型的參數，每次更新的網絡模型利用驗證集驗證結果，通過若干次訓練，得到訓練完成的網絡模型；

將測試集送入訓練完成的網絡模型，通過與真實標簽比對計算出網絡模型檢測準確率。