[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測方法

在審

• 申請?zhí)枺?/td>: 202111370336.3
• 申請日: 2021-11-18
• 公開（公告）號(hào): CN114140403A
• 公開（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 張倩;孫俊;俞博文
• 申請（專利權(quán)）人: 江蘇大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測方法，其特征在于，包括以下步驟：

步驟S1、獲取植物葉片圖像，建立植物葉片病害檢測數(shù)據(jù)集；

步驟S2、從步驟S1中數(shù)據(jù)集的圖像全部樣本中選取訓(xùn)練集和測試集，在測試集中，對葉片的圖像進(jìn)行拓展，得到最終葉片測試集；

步驟S3、將步驟S2中的訓(xùn)練集中疾病的類別和數(shù)量進(jìn)行統(tǒng)計(jì)分析；

步驟S4、對圖像進(jìn)行數(shù)據(jù)增強(qiáng)處理；

步驟S5、使用卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)模型，使用訓(xùn)練集對卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，通過訓(xùn)練后得到的卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型對測試集進(jìn)行檢測，直到達(dá)到預(yù)設(shè)的準(zhǔn)確率，得到通過測試的卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型；

步驟S6、采用通過測試的卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型植物葉片進(jìn)行檢測，得到植物葉片病害檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測方法，其特征在于，所述步驟S1具體為：在實(shí)時(shí)的農(nóng)業(yè)場景下獲取植物葉片健康狀態(tài)和發(fā)生病蟲害的圖像建立植物葉片病害檢測數(shù)據(jù)集，對不同疾病的植物葉片進(jìn)行多角度、不同天氣、不同光照下進(jìn)行多種類別的圖像數(shù)據(jù)采集。

3.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測方法，其特征在于，所述步驟S1分別在光照充足、陰影和光照不足陰天情況下采集植物葉片圖像。

4.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測方法，其特征在于，所述步驟S1數(shù)據(jù)集的植物葉片圖像按角度不同分為：

葉片正面朝上的作為第一類；

葉片呈0°-25°翻轉(zhuǎn)的作為第二類；

葉片呈25°-50°翻轉(zhuǎn)的作為第三類。

5.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測方法，其特征在于，所述步驟S1中數(shù)據(jù)集的植物葉片圖像包括：

圖像中葉片之間沒有相互遮擋，呈現(xiàn)出單獨(dú)完整的葉片；

圖像中葉片生長密集，存在相互遮擋的情況；

圖像中葉片發(fā)生卷曲、彎折的情況。

6.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測方法，其特征在于，所述步驟S2中從全部樣本中選取80％構(gòu)成訓(xùn)練集，20％構(gòu)成測試集，在測試集中，對葉片的圖像進(jìn)行拓展，得到最終葉片測試集。

7.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測方法，其特征在于，所述步驟S2中測試集圖像的拓展為對測試集中的部分葉片進(jìn)行不同角度的旋轉(zhuǎn)。

8.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測方法，其特征在于，所述步驟S4中數(shù)據(jù)增強(qiáng)處理具體為：對圖像進(jìn)行隨機(jī)水平或垂直翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)角度、隨機(jī)縮放原圖操作。

9.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片病害檢測方法，其特征在于，所述步驟S5中卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型的具體訓(xùn)練方法為：

使用大規(guī)模植物葉片病害檢測數(shù)據(jù)集來獲取預(yù)訓(xùn)練模型；

使用植物葉片病害檢測數(shù)據(jù)集分別對mobilenet和resnet50模型進(jìn)行遷移學(xué)習(xí)來調(diào)整參數(shù)，得到各自的權(quán)重值；

將mobilenet和resnet50這兩個(gè)模型進(jìn)行融合，在模型融合方法中，使用加權(quán)平均算法則預(yù)測結(jié)果為：

其中，w₁為mobilenet模型的權(quán)重值，w₂為resnet50模型的權(quán)重值，為mobilenet模型的預(yù)測結(jié)果，為resnet50模型的預(yù)測結(jié)果；

計(jì)算預(yù)測結(jié)果與實(shí)際結(jié)果的誤差，產(chǎn)生損失函數(shù)，使用反向傳播算法更新每一層的權(quán)重系數(shù)，對損失函數(shù)進(jìn)行優(yōu)化，使得損失函數(shù)的值最小；

當(dāng)輸出的預(yù)測結(jié)果達(dá)到期望值，則結(jié)束訓(xùn)練，當(dāng)輸出的預(yù)測結(jié)果小于期望值時(shí)，則需要調(diào)整模型層數(shù)或者超參數(shù)來優(yōu)化模型，繼續(xù)訓(xùn)練。