[發明專利]一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法

在審

• 申請號: 202110274911.3
• 申請日: 2021-03-15
• 公開（公告）號: CN112966621A
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 郭紅波;王科;周冬梅;朱文杰;猶明波
• 申請（專利權）人: 四川天責信科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，柑橘蟲害識別方法包括以下幾個步驟：步驟一：采集柑橘蟲害圖像數據信息，制作相應的訓練數據集；步驟二：對所采集的圖像數據集進行數據增強和擴張；步驟三：基于深度卷積網絡與遷移學習的改進InceptionV3模型搭建；步驟四：模型權重參數加載初始化。該基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，與現有的識別方法相比，節省了大量的人力和物力，且整個采集流程簡單易操作化；所用的訓練模型，基于InceptionV3模型與遷移學習的基礎上，加入了多尺度特征融合的方法，進一步提高了圖像特征的包含的語義信息，有效的解決了柑橘蟲害特有的昆蟲顏色紋理復雜而導致的識別率低的難題。

技術領域

本發明涉及農業種植昆蟲種類識別相關技術領域，具體為一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法。

背景技術

病蟲害的預測防治是現代農業發展中的重要內容，作為世界柑橘的重要原產地之一，柑橘病蟲害的預測防治是一個重要的農業研究課題；我國對于農作物病害的識別大多通過人工方式來實現，人工的局限性制約了農作物的大面積病蟲害防治；傳統方式的識別的效率過低、周期過長，并不適合對于智能化要求比較高的農業蟲害識別；柑橘作為四川省的主要種植農產品，具有種植體量大，防控難的特點，每年因蟲害造成的損失巨大，基于此，我們開展了對柑橘蟲害智能化防控的相關研究。

隨著近年來的深度學習的快速發展，為農業蟲病蟲害圖像識別提供了更加先進的識別技術；其中深度學習在處理圖像的基礎上具有周期短、圖像處理便利等優越性，盡管深度學習在很大程度上會占用很多的計算機資源，但是隨著遷移學習的引入，加上現如今比較成熟相關任務以及成熟的數據遷移，減少占用計算機資源并且通過數據遷移達到能夠節省算法時間，深度學習的效率會有很大的提高；

但是，現有的柑橘蟲害識別浪費大量的人力，采集流程較為復雜，識別率低，因此，我們提出一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，以便于解決上述中提出的問題。

發明內容

本發明的目的在于提供一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，以解決上述背景技術中提出的大多數柑橘蟲害識別浪費人力，采集流程復雜，識別率低的問題。

為實現上述目的，本發明提供如下技術方案：一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，柑橘蟲害識別方法包括以下幾個步驟：

步驟一：采集柑橘蟲害圖像數據信息，制作相應的訓練數據集；

步驟二：對所采集的圖像數據集進行數據增強和擴張；

步驟三：基于深度卷積網絡與遷移學習的改進InceptionV3模型搭建；

步驟四：模型權重參數加載初始化，利用自建小數據集訓練模型；

步驟五：模型訓練完成，對模型分類性能進行測試。

優選的，所述步驟一中，所采用的數據集圖像為網絡下載和實地捕蟲燈誘殺拍攝，并使用圖像采集裝置進行采集，通過攝像頭拍攝獲取，再進行相關預處理。

優選的，所述步驟二中，對所采集的圖像數據集進行數據增強后，增強后數據集按照7:2：1的比例，分為訓練集、測試集和驗證集，所有的訓練數據集采用one-hot編碼方式，制作圖像label。

優選的，所述步驟二中數據增強的方法包括對比度增強、圖像旋轉、圖像翻轉和圖像加噪(添加椒鹽噪聲，高斯噪聲)。

優選的，所述步驟三模型搭建包括：

步驟1：將InceptionV3作為特征提取網絡；

步驟2：加入多尺度融合機制，將底層特征與高層特征融合，增加特征語義信息；

步驟3：采用categorical crossentropy作為分類損失函數。