基于鲸鱼优化算法和CNN模型的荔枝病虫害识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115731464A(43)申请公布日2023.03.03(21)申请号202211435885.9G06V10/54(2023.01)(22)申请日2022.11.16G06V10/82(2022.01)G06V10/764(2022.01)(71)申请人华南农业大学G06V20/17(2023.01)地址510642广东省广州市天河区五山路G06N3/006(2022.01)483号G06N3/0464(2022.01)(72)发明人谢家兴王嘉鑫陈裕锋陈绍楠G06N3/08(2022.01)谌文吕振东李君申济源孙道宗莫汉东(74)专利代理机构北京慕达星云知识产权代理事务所(特殊普通合伙)11465专利代理师符继超(51)Int.Cl.G06V20/10(2022.01)G06V10/40(2023.01)权利要求书3页说明书12页附图4页(54)发明名称基于鲸鱼优化算法和CNN模型的荔枝病虫害识别方法(57)摘要本发明公开了一种基于鲸鱼优化算法和CNN模型的荔枝病虫害识别方法，包括：获取荔枝冠层叶片遥感图像，包括健康叶片和患不同病虫害叶片；对荔枝冠层叶片遥感图像进行特征提取，计算出荔枝冠层叶片遥感图像对应的植被指数和纹理特征；基于鲸鱼优化算法获取最优CNN结构参数；将最优CNN结构参数作为CNN模型参数，并将植被指数和纹理特征输入至最优CNN结构参数的CNN模型中，经训练后判断荔枝叶片是否患病以及患病类型。本发明可以实现高准确率识别荔枝病虫害，为利用多光谱遥感技术进行大规模荔枝果园病虫害病情监测识别提供了数据支持。CN115731464ACN115731464A权利要求书1/3页1.一种基于鲸鱼优化算法和CNN模型的荔枝病虫害识别方法，其特征在于，包括：获取荔枝冠层叶片遥感图像，包括健康叶片和患不同病虫害叶片；对荔枝冠层叶片遥感图像进行特征提取，计算出荔枝冠层叶片遥感图像对应的植被指数和纹理特征；基于鲸鱼优化算法获取最优CNN结构参数；将最优CNN结构参数作为CNN模型参数，并将植被指数和纹理特征输入至最优CNN结构参数的CNN模型中，经训练后判断荔枝叶片是否患病以及患病类型。2.根据权利要求1所述的一种基于鲸鱼优化算法和CNN模型的荔枝病虫害识别方法，其特征在于，基于鲸鱼优化算法获取最优CNN结构参数的具体过程为：步骤a:设置代理数量和最大迭代次数,初始化鲸群领头鲸的位置；步骤b:将领头鲸的初始化位置作为卷积神经网络的初始空间向量，计算各个个体的适应度值,并根据以下公式进行空间向量更新：式中，是[0,1]的随机向量，a为收敛因子，N为最大迭代数，t表示当前迭代次数，表示第一个系数向量，表示第二个系数向量；步骤c:判断当前迭代次数是否不小于最大迭代次数，若不满足执行步骤d，否则输出当前最优鲸鱼个体的位置作为最优CNN结构参数；步骤d：根据随机数P，更新所有鲸鱼个体位置，具体包括：判断随机数p值是否小于0.5，若随机数p值不小于0.5，采用如下公式更新所有鲸鱼个体的位置：其中，b为螺旋线常数，l为[0,1]的随机数，xbest(t)为当前最优鲸鱼个体的位置，N为最大迭代数，xn(t)表示当前鲸鱼个体的位置，xn(t+1)表示下一次迭代的鲸鱼个体位置，表示表示在当前迭代次数之前的所有迭代次数中筛选出来的最优鲸鱼个体位置与当前鲸鱼个体位置之间的距离；若随机数p值小于0.5，判断的模是否小于1，若的模不小于1时，随机选取某个个体作为当前最优位置，并采用如下公式更新其他鲸鱼的位置：2CN115731464A权利要求书2/3页xrand(t)表示随机选择的鲸鱼个体的位置；若的模小于1时，选取适应度值最小的个体作为当前最优鲸鱼个体，并采用如下公式更新其他鲸鱼位置：步骤d:加入高斯变异，对鲸鱼个体位置进行更新：xn(t+1)＝wnew1·f1(xbest(t)‑xn(t))+wnew2·f2(xrand(t)‑xn(t))其中，wnew1和wnew2均是值为0.5的权重系数，f1和f2均是均值为0、方差为1的高斯分布随机数函数，作为高斯分布的函数系数，xn(t)为当前鲸鱼个体的位置，xbest(t)为当前最优鲸鱼个体的位置，xrand(t)为随机选择的鲸鱼个体的位置；返回步骤b，将步骤d中得到的当前最优鲸鱼个体位置作为下一次迭代的领头鲸位置，以此循环直到在步骤c中达到最大迭代次数。3.根据权利要求2所述的一种基于鲸鱼优化算法和CNN模型的荔枝病虫害识别方法，其特征在于，CNN模型的主干网络结构如下：2个卷积层、1个批归一化层、1个最大池化层、2个卷积层，1个最大池化层、2个卷积层、1个最大池化层、1个平铺层以及1个全连接层；每层卷积层使用softsign函数。4.根据权利要求