基于深度学习的植物病害识别方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115937579A(43)申请公布日2023.04.07(21)申请号202211456485.6G06N3/08(2023.01)(22)申请日2022.11.21(71)申请人海南大学地址570100海南省海口市人民大道58号申请人安徽中科利民高新产业有限公司(72)发明人尤佳武贵路丁文杰陆波(74)专利代理机构苏州市中南伟业知识产权代理事务所(普通合伙)32257专利代理师陈华红子(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06N3/0464(2023.01)G06N3/047(2023.01)权利要求书1页说明书6页附图2页(54)发明名称基于深度学习的植物病害识别方法和系统(57)摘要本发明涉及智慧农业技术领域，公开一种基于深度学习的植物病害识别方法和系统，方法包括获取多种农作物的多种病害病症作为数据集，对所述数据集进行预处理并分为训练集和测试集；建立包括卷积神经网络和Inception‑v3模型的检测模型，使用所述训练集训练所述卷积神经网络得到训练完成的检测模型，将所述测试集输入所述训练完成的检测模型得到植物病害识别结果；系统包括数据获取模块、训练模块和检测模块。本发明融合了卷积神经网络和Inception‑v3模型，可以有效提高植物叶片病害识别的准确率。CN115937579ACN115937579A权利要求书1/1页1.一种基于深度学习的植物病害识别方法，其特征在于，包括：获取多种农作物的多种病害病症作为数据集，对所述数据集进行预处理并分为训练集和测试集；建立包括卷积神经网络和Inception‑v3模型的检测模型，使用所述训练集训练所述卷积神经网络得到训练完成的检测模型，将所述测试集输入所述训练完成的检测模型得到植物病害识别结果。2.根据权利要求1所述的基于深度学习的植物病害识别方法，其特征在于：所述预处理的方法包括：对所述数据集进行数据增强生成多样化的图像数据。3.根据权利要求1所述的基于深度学习的植物病害识别方法，其特征在于：所述卷积神经网络包括五个卷积层和五个最大池化层，所述卷积神经网络中的第一个卷积层的输入宽度和高度均为128。4.根据权利要求3所述的基于深度学习的植物病害识别方法，其特征在于：所述卷积层融合卷积神经网络和Inception‑v3模型，卷积层的卷积运算为：s(t)＝(x*w)(t)；其中，x是卷积层的输入，w是卷积层的内核，s(t)是输出的特征图，离散卷积是矩阵乘法。5.根据权利要求3所述的基于深度学习的植物病害识别方法，其特征在于：五个所述最大池化层的物理尺寸沿输入到输出方向逐层缩小。6.根据权利要求1所述的基于深度学习的植物病害识别方法，其特征在于：使用所述训练集训练所述卷积神经网络得到训练完成的检测模型，将所述测试集输入所述训练完成的检测模型得到植物病害识别结果，具体为：使用所述训练集训练所述卷积神经网络得到训练完成的检测模型，对植物叶片进行图片分割，选择Inception‑v3和CNN提取分割图像特征；使用所述训练完成的检测模型识别植物疾病种类。7.根据权利要求1所述的基于深度学习的植物病害识别方法，其特征在于：所述Inception‑v3模型有42层。8.一种基于深度学习的植物病害识别系统，其特征在于：包括数据获取模块、训练模块和检测模块，所述数据获取模块获取多种农作物的多种病害病症作为数据集，对所述数据集进行预处理并分为训练集和测试集，将所述训练集传送给所述训练模块，将所述测试集传送给所述检测模块；所述训练模块建立包括卷积神经网络和Inception‑v3模型的检测模型，使用所述训练集训练所述卷积神经网络得到训练完成的检测模型；所述检测模块将所述测试集输入所述训练完成的检测模型得到植物病害识别结果。9.根据权利要求8所述的基于深度学习的植物病害识别系统，其特征在于：还包括建议模块，所述建议模块根据所述检测模块的识别结果给用户提供克服疾病的建议。10.一种基于深度学习的植物病害识别设备，其特征在于：包括移动终端和存储在移动终端上并可在移动终端上运行的计算机程序，所述移动终端执行所述计算机程序时实现如权利要求1‑7任一项所述的基于深度学习的植物病害识别方法的步骤。2CN115937579A说明书1/6页基于深度学习的植物病害识别方法和系统技术领域[0001]本发明涉及智慧农业技术领域，尤其是指一种基于深度学习的植物病害识别方法和系统。背景技术[0002]病害防治是保证植物生产安全的重要保障，也能有效提高农作物的产量和品质。预防和控制的前提是能够及时准确地发现疾病并确定其类型和严重程度。在植物病害鉴定中，研究对象一般取自植物