[發明專利]一種基于卷積神經網絡農作物病害圖像識別方法

在審

• 申請號: 202010280895.4
• 申請日: 2020-04-10
• 公開（公告）號: CN111414896A
• 公開（公告）日: 2020-07-14
• 發明（設計）人: 曹麗英;李博;于合龍;李東明;劉鶴;馬麗
• 申請（專利權）人: 吉林農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安合創非凡知識產權代理事務所(普通合伙) 61248
• 代理人: 惠銀銀

本發明公開了一種基于卷積神經網絡農作物病害圖像識別方法，包括如下步驟：S1、基于無人機定時定點的進行農作物圖像的采集；S2、讀取農作物圖像內載的POS數據，并基于Faster R?CNN模型實現農作物圖像中病害區域的檢測定位，生成病害區圖像集；S3、基于DSSD_Xception_coco模型實現病害區圖像中孔洞、斑點、害蟲軌跡等的檢測識別；S4、基于孔洞、斑點、害蟲軌跡等的檢測識別結果及其對應的病害區圖像的POS數據輸出病害識別結果，并完成各區域的病害情況統計。本發明實現了農作物病害的自動檢測、識別和統計分析，進而提供對應的防治方案，為提高農作物病害預警奠定基礎。

技術領域

本發明涉及圖像識別領域，具體涉及一種基于卷積神經網絡農作物病害圖像識別方法。

背景技術

農作物病害是我國主要農業災難之一，它具有種類多、影響大并時常暴發成災的特點，不僅對農作物生產造成損失，還會對食品安全產生威脅。因此農作物病害的診斷和鑒定，對保證作物產量、預防食品安全起著重要的作用，同時，實現精準的檢測農作物病害以及病害程度的測定是對農作物病害防治的關鍵。目前，傳統的農作物病害識別，主要依賴于歷代農民在農業生產過程中積累的經驗來進行判斷，費時費力的同時，實時性、準確性均較差。

隨著深度學習的日益發展，將卷積神經網絡應用于農作物病害識別中取得了較好的識別效果。深度學習中的卷積神經網絡對圖像具有強大的特征提取能力，可以從像素級的原始數據中抽象出語義概念并逐層提取，篩選掉冗余信息，這使得它在提取圖像更詳盡的全局特征方面有著突出的優勢。因此，如何利用卷積神經網絡進行農作物病害檢測是目前迫切需要解決的問題。

發明內容

本發明的目的在于提供一種基于卷積神經網絡農作物病害圖像識別方法的處理方法，可以實現農作物病害圖像的自動檢測、識別和統計分析。

為實現上述目的，本發明采取的技術方案為：

一種基于卷積神經網絡農作物病害圖像識別方法，包括如下步驟：

S1、基于無人機定時定點的進行農作物圖像的采集；

S2、讀取農作物圖像內載的POS數據，并基于Faster R-CNN 模型實現農作物圖像中病害區域的檢測定位，生成病害區圖像集；

S3、基于DSSD_ Xception_coco 模型實現病害區圖像中孔洞、斑點、害蟲軌跡等的檢測識別；

S4、基于孔洞、斑點、害蟲軌跡等的檢測識別結果及其對應的病害區圖像的POS數據輸出病害識別結果，并完成各區域的病害情況統計。

進一步地，所述Faster R-CNN 模型利用一個在ImageNet上面預訓練的ResNet50模型作為基本模型,在coco數據集上進行訓練和測試。

進一步地，所述病害區圖像集中的圖像均攜帶其對應的POS數據的超鏈接標記。

進一步地，所述無人機按照既定的巡航路線定時定點進行農作物圖像的采集，從而可以提高農作物圖像的針對性和全面性。

進一步地，還包括根據POS數據實現病害區圖像角度調整的步驟，角度調整包括左右翻轉、上下翻轉、對角線翻轉。

進一步地，所述DSSD_Xception_coco 模型采用DSSD目標檢測算法，用coco數據集預訓練Xception神經網絡，然后用先前準備好的數據集訓練該模型，微調深度神經網絡中的各項參數，最后得到合適的用于檢測農作圖像中孔洞、斑點、害蟲軌跡等的目標檢測模型。

進一步地，還包括基于連通分量外接矩形的長寬比進行孔洞、斑點、害蟲軌跡等形狀尺寸的識別的步驟。