[發明專利]一種基于卷積神經網絡的棉蚜識別方法

有效

• 申請號: 201911127841.8
• 申請日: 2019-11-18
• 公開（公告）號: CN110852398B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 喬紅波;張慧;郭偉;許鑫;馬新明
• 申請（專利權）人: 河南農業大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/82;G06N3/0464;G06N3/096;G06N3/048
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 梁靜

1.一種基于卷積神經網絡的棉蚜識別方法，其特征在于，包括：

獲取棉蚜危害圖像；

采用遷移學習和微調的方式，建立基于卷積神經網絡的棉蚜識別模型；

將棉蚜危害圖像輸入至基于卷積神經網絡的棉蚜識別模型，確定棉蚜危害等級；

所述采用遷移學習和微調的方式，建立基于卷積神經網絡的棉蚜識別模型；具體包括：

采用卷積神經網絡模型在ImageNet數據集上訓練no_top權重參數；

采用棉蚜危害數據集對卷積神經網絡模型的所有卷積層及分類層進行微調；

根據no_top權重參數和微調后的卷積神經網絡模型，訓練形成基于卷積神經網絡的棉蚜識別模型；

所述采用棉蚜危害數據集對卷積神經網絡模型的所有卷積層及分類層進行微調；具體包括：

第一卷積組、第二卷積組類似，均由兩個卷積層和一個池化層組成，且每個卷積層之后都用到relu激活函數；在第一組的兩個卷積層中設置輸出特征圖個數為64，用大小為3*3的濾波器對棉蚜危害圖像進行卷積操作，再進行1個像素值的填充；每次卷積之后的特征圖大小都為64*224*224；將前兩層卷積層提取到的特征信息再傳遞給降采樣層，經過大小為2*2、步長為2的采樣子塊進行縮放，最終得到64個112*112像素大小的特征圖作為第二個卷積組的輸入，設置特征圖的輸出為128個，濾波器的大小、步長及子采樣塊的大小、步長都與第一卷積組相同，最終得到128*56*56的特征圖；

第三卷積組，包含三個卷積層和一個池化層，每個卷積層之后都使用relu激活函數；輸入是128個56*56的特征圖，設置三個卷積層的特征圖輸出都是256個，濾波器大小為3*3，對濾波器進行1個像素值的填充，每次卷積之后的特征圖大小都為256*56*56，將提取到的特征值再傳遞給池化層，再對256*28*28做大小為2*2、步長為2的采樣子塊的縮放，最后得到256*28*28的特征圖；

第四、五卷積組類似，包括三個卷積層和一個池化層，每個卷積層之后都使用relu激活函數；兩個卷積組設置的輸出特征圖都是512個，最后經過第四層和第五層池化后輸出分別為512*14*14和512*7*7；

全連接層階段是指上層中的每個神經元都與下層的所有神經元相連，fc6、fc7分別是第一個和第二個全連接層，輸入是上一組卷積層的輸出連接成的一個向量即4096維，并且在訓練時采用Dropout技術隨機關閉一部分神經元，緩解模型過擬合的問題；對fc8層做一次softmax回歸，輸出的1000維分別對應圖片屬于該類別的概率。

2.如權利要求1所述的基于卷積神經網絡的棉蚜識別方法，其特征在于，所述獲取棉蚜危害圖像，具體包括：

采用帶攝像頭的手機在棉花的冠層上進行圖像采集；其中，在進行圖像采集時要保持鏡頭與冠層平行，且要確保棉花的冠層全部在采集的圖像內。

3.如權利要求1所述的基于卷積神經網絡的棉蚜識別方法，其特征在于，所述棉蚜危害等級；具體包括：

棉蚜危害0級：無蚜蟲，葉片平展；

棉蚜危害1級：有蚜蟲，葉片無受害；

棉蚜危害2級：有蚜蟲，受害最重葉片皺縮或微卷，近半圓；

棉蚜危害3級：有蚜蟲，受害最重葉片卷曲達半圓或半圓以上，呈弧形；

棉蚜危害4級：有蚜蟲，受害最重的葉片完全卷曲，呈球形。