[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

本發明公開了一種基于卷積神經網絡的棉蚜識別方法，該方法包括：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。本發明使用手機采集棉花蚜蟲危害圖像，通過前期大量的調查數據，結合數據挖掘、深度學習的深度卷積神經網絡方法，建立植物病蟲害的識別方法和模型，對棉花蚜蟲危害等級進行識別與區分，減少目前植保調查中人為因素產生的差異，而且提高調查效率，降低了試驗成本，即利用該方法可方便快捷采集圖像，并快速進行分類，為病蟲害調查提供方便快捷準確的調查體系，并根據高時效性的理論數據為相關決策部門提供決策支持。

技術領域

本發明涉及棉蚜識別技術領域，更具體的涉及一種基于卷積神經網絡的棉蚜識別方法。

背景技術

傳統的病蟲害調查由農業專家以及農業技術人員進行人工調查，調查的過程耗時耗力，效率低下；而且不同的調查人員對分級標準的理解與識別也是不同的，因主觀性導致調查結果也存在誤差。

發明內容

本發明實施例提供一種基于卷積神經網絡的棉蚜識別方法，用以解決現有技術中存在的問題。

本發明實施例提供一種基于卷積神經網絡的棉蚜識別方法，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。

進一步地，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。

進一步地，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。

進一步地，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；