[發(fā)明專利]基于深度學習的柑橘紅蜘蛛蟲害的識別方法

在審

• 申請?zhí)枺?/td>: 202011562695.4
• 申請日: 2020-12-25
• 公開（公告）號: CN112597907A
• 公開（公告）日: 2021-04-02
• 發(fā)明（設計）人: 王敏;陳蕊;冉力爭;楊纖;張小榮;姚建濤;羅昱晟;艾敏
• 申請（專利權(quán)）人: 四川工商學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 許志輝

1.基于深度學習的柑橘紅蜘蛛蟲害的識別方法，其特征在于，包括：

采集柑橘紅蜘蛛蟲害圖像，并對所述柑橘紅蜘蛛蟲害圖像進行預處理；

對所述圖像數(shù)據(jù)進行數(shù)據(jù)標簽標定，制作深度學習數(shù)據(jù)集；

將深度學習數(shù)據(jù)集在卷積神經(jīng)網(wǎng)絡中訓練，獲得訓練后的柑橘紅蜘蛛蟲害識別模型；

將待識別圖像輸入柑橘紅蜘蛛蟲害識別模型，得到所述柑橘紅蜘蛛蟲害識別模型的識別結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于深度學習的柑橘紅蜘蛛蟲害的識別方法，其特征在于，所述將深度學習數(shù)據(jù)集在卷積神經(jīng)網(wǎng)絡中訓練，獲得訓練后的柑橘紅蜘蛛蟲害識別模型包括：

構(gòu)建Mask R-CNN模型；

提取所述深度學習數(shù)據(jù)集中樣本的特征點；

通過所述特征點對Mask R-CNN模型進行訓練；

將所述Mask R-CNN模型帶入卷積神經(jīng)網(wǎng)絡中，得到所述柑橘紅蜘蛛蟲害識別模型。

3.根據(jù)權(quán)利要求2所述的基于深度學習的柑橘紅蜘蛛蟲害的識別方法，其特征在于:

所述特征點包括所述柑橘紅蜘蛛圖像中柑橘紅蜘蛛的紋理、形狀、尺寸和顏色。

4.根據(jù)權(quán)利要求2所述的基于深度學習的柑橘紅蜘蛛蟲害的識別方法，其特征在于，所述通過所述特征點對Mask R-CNN模型進行訓練包括：

通過語義分割將所述柑橘紅蜘蛛蟲害圖像分為病癥誘發(fā)區(qū)、次級繼續(xù)解析區(qū)和廣收集區(qū)，并對所述病癥誘發(fā)區(qū)、次級繼續(xù)解析區(qū)和廣收集區(qū)從高到低設置圖像解析權(quán)重；

基于高解析權(quán)重，對病癥誘發(fā)區(qū)解碼提取病癥圖片特征以識別主要病因；

基于中解析權(quán)重，對次級繼續(xù)解析區(qū)大范圍搜索病癥并對病癥進行標記；

基于低解析權(quán)重，對廣收集區(qū)搜索擴散的病癥；

結(jié)合病癥誘發(fā)區(qū)、次級繼續(xù)解析區(qū)和廣收集區(qū)的數(shù)據(jù)，實現(xiàn)柑橘紅蜘蛛蟲害識別。

5.根據(jù)權(quán)利要求1所述的基于深度學習的柑橘紅蜘蛛蟲害的識別方法，其特征在于：

所述卷積神經(jīng)網(wǎng)絡采用深度卷積神經(jīng)網(wǎng)絡模型AlexNet、VGG-16或GoogLeNet。

6.根據(jù)權(quán)利要求1所述的基于深度學習的柑橘紅蜘蛛蟲害的識別方法，其特征在于：

所述深度學習數(shù)據(jù)集包括訓練集、驗證集和測試集。

7.根據(jù)權(quán)利要求1所述的基于深度學習的柑橘紅蜘蛛蟲害的識別方法，其特征在于：

所述數(shù)據(jù)標簽標定包括標注出所述柑橘紅蜘蛛蟲害圖像中的害蟲、農(nóng)作物、背景和蟲害類別。

8.根據(jù)權(quán)利要求1所述的基于深度學習的柑橘紅蜘蛛蟲害的識別方法，其特征在于：

所述預處理包括對所述柑橘紅蜘蛛蟲害圖像空白部分進行裁剪和歸一化處理。