[發(fā)明專利]一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的病蟲害檢測方法

有效

• 申請?zhí)枺?/td>: 201910280657.0
• 申請日: 2019-04-09
• 公開（公告）號: CN110009043B
• 公開（公告）日: 2021-08-17
• 發(fā)明（設(shè)計）人: 何峰;唐宇;王楠;馬敬奇;吳亮生;楊錦;陳再勵
• 申請（專利權(quán)）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(biāo)代理有限公司 44102
• 代理人: 羅曉林;楊桂洋

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的病蟲害檢測方法，根據(jù)農(nóng)作物類別、病蟲害類別和嚴(yán)重程度對待檢測的農(nóng)作物病蟲害進行分類；利用攝像儀器拍攝患病農(nóng)作物的葉片來制作與病蟲害相關(guān)的數(shù)據(jù)集；設(shè)置堆疊網(wǎng)絡(luò)模塊，該堆疊網(wǎng)絡(luò)模塊包括卷積神經(jīng)網(wǎng)絡(luò)中的卷積層、歸一化層和激活函數(shù)層，各層的特征圖層數(shù)相互疊加，融和各層特征；將堆疊網(wǎng)絡(luò)模塊嵌入病蟲害檢測深度卷積神經(jīng)網(wǎng)絡(luò)中；通過病蟲害檢測深度卷積神經(jīng)網(wǎng)絡(luò)框架搭建網(wǎng)絡(luò)模型，在數(shù)據(jù)集基礎(chǔ)上訓(xùn)練網(wǎng)絡(luò)模型，最后，將待檢測的農(nóng)作物葉片送入網(wǎng)絡(luò)模型，得到檢測結(jié)果。本發(fā)明檢測精度高，應(yīng)用范圍廣，能應(yīng)用在農(nóng)業(yè)農(nóng)作物防治領(lǐng)域如水稻田病蟲害檢測、果樹病蟲害檢測、大豆病蟲害檢測等。

技術(shù)領(lǐng)域

本發(fā)明屬于農(nóng)作物的病蟲害分類領(lǐng)域，特別涉及一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的病蟲害檢測方法。

背景技術(shù)

農(nóng)作物病蟲害對農(nóng)業(yè)生產(chǎn)有很多不利的影響，包括降低產(chǎn)量、降低品質(zhì)、影響經(jīng)濟等。傳統(tǒng)的病蟲害防治方法局限于人為的監(jiān)控、觀察和數(shù)據(jù)計算整理，存在耗費時間，準(zhǔn)確度不高，防治效果不及時的問題。農(nóng)作物病蟲害十分復(fù)雜，在不同時令會有各種病癥，在復(fù)雜情況下，仍應(yīng)考慮氣候、種植面積、農(nóng)作物品種、區(qū)域等各種因素進行防治。由于農(nóng)作物數(shù)據(jù)集僅包括葉片圖片信息，對于農(nóng)作物多方面的受害信息的提取并通過深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與優(yōu)化是今后農(nóng)業(yè)領(lǐng)域的研究重點與發(fā)展方向。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的病蟲害檢測方法。

為了解決上述技術(shù)問題，本發(fā)明采取以下技術(shù)方案：

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的病蟲害檢測方法，包括以下步驟：

根據(jù)農(nóng)作物類別、病蟲害類別和嚴(yán)重程度對待檢測的農(nóng)作物病蟲害進行分類；

利用攝像儀器拍攝患病農(nóng)作物的葉片來制作與病蟲害相關(guān)的數(shù)據(jù)集；

設(shè)置堆疊網(wǎng)絡(luò)模塊，該堆疊網(wǎng)絡(luò)模塊包括卷積神經(jīng)網(wǎng)絡(luò)中的卷積層、歸一化層和激活函數(shù)層，各層的特征圖層數(shù)相互疊加，融和各層特征；

將堆疊網(wǎng)絡(luò)模塊嵌入病蟲害檢測深度卷積神經(jīng)網(wǎng)絡(luò)中；

通過病蟲害檢測深度卷積神經(jīng)網(wǎng)絡(luò)框架搭建網(wǎng)絡(luò)模型，在數(shù)據(jù)集基礎(chǔ)上訓(xùn)練網(wǎng)絡(luò)模型，最后，將待檢測的農(nóng)作物葉片送入網(wǎng)絡(luò)模型，得到檢測結(jié)果。

根據(jù)農(nóng)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(nóng)作物-具體病害-嚴(yán)重程度劃分。

所述制備數(shù)據(jù)集時，選取一病蟲害受災(zāi)區(qū)域，病蟲害劃分的分類采摘農(nóng)作物葉片，每一類病蟲害對應(yīng)的采摘葉片數(shù)量都在預(yù)設(shè)范圍內(nèi)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。

所述堆疊網(wǎng)絡(luò)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。

所述在搭建網(wǎng)絡(luò)模型時，將堆疊網(wǎng)絡(luò)模塊融合在病蟲害檢測深度卷積神經(jīng)網(wǎng)絡(luò)分支，在病蟲害檢測深度卷積神經(jīng)網(wǎng)絡(luò)末端增加全局池化層，全局池化層后連接全連接層。

所述共設(shè)三個不同深度的堆疊網(wǎng)絡(luò)模塊，分別融和在病蟲害檢測深度卷積神經(jīng)網(wǎng)絡(luò)分支。

所述訓(xùn)練網(wǎng)絡(luò)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(biāo)簽、數(shù)據(jù)預(yù)處理，得到葉片的真實標(biāo)簽，將葉片的圖片分為訓(xùn)練集、驗證集、測試集，訓(xùn)練集圖片中裁剪農(nóng)作物葉片，裁剪圖片，歸一化大小，得到新的訓(xùn)練集；

將制作得到的數(shù)據(jù)集送入網(wǎng)絡(luò)模型并輸出實際值，根據(jù)真實標(biāo)簽與實際值計算損失函數(shù)值，利用梯度下降反向傳播算法更新網(wǎng)絡(luò)模型的參數(shù)，每次更新的網(wǎng)絡(luò)模型利用驗證集驗證結(jié)果，通過若干次訓(xùn)練，得到訓(xùn)練完成的網(wǎng)絡(luò)模型。

將測試集送入訓(xùn)練完成的網(wǎng)絡(luò)模型，通過與真實標(biāo)簽比對計算出網(wǎng)絡(luò)模型檢測準(zhǔn)確率。