一种基于深度学习的番茄叶片病害识别研究方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114550164A(43)申请公布日2022.05.27(21)申请号202111622531.0G06V10/764(2022.01)(22)申请日2021.12.28G06V10/82(2022.01)G06K9/62(2022.01)(71)申请人吉林农业大学G06N3/04(2006.01)地址130000吉林省长春市新城大街2888G06N3/08(2006.01)号(72)发明人马丽周巧黎张涵博赵丽亚胡远辉于合龙李东明曹丽英(74)专利代理机构南京金宁专利代理事务所(普通合伙)32479专利代理师张凤香(51)Int.Cl.G06V20/68(2022.01)G06V10/26(2022.01)G06V10/40(2022.01)G06V10/774(2022.01)权利要求书1页说明书7页附图4页(54)发明名称一种基于深度学习的番茄叶片病害识别研究方法(57)摘要本发明属于农作物病虫害识别技术领域，且公开了一种基于深度学习的番茄叶片病害识别研究方法，包括如下步骤：S1、运用数码相机和手机在番茄田间进行番茄害病图像采集，将采集后的图像分辨率统一缩放为64×64，然后按病害类别对图像进行贴标签，得到具有样本标签的原始番茄叶片病害图像数据集。在本发明构造的基于卷积神经网络的番茄病害识别方法中，不需要对每幅病害叶片图像进行复杂的预处理、病斑分割以及特征提取等操作，更有助于在低性能的终端上实现对番茄病害的实时检测和治疗，相对于应用传统的卷积神经网络进行病害识别的方法，本方法准确率更高、耗时更少、占用空间更低、运行和识别效果更好。CN114550164ACN114550164A权利要求书1/1页1.一种基于深度学习的番茄叶片病害识别研究方法，其特征在于，包括如下步骤：S1、运用数码相机和手机在番茄田间进行番茄害病图像采集，将采集后的图像分辨率统一缩放为64×64，然后按病害类别对图像进行贴标签，得到具有样本标签的原始番茄叶片病害图像数据集；S2、对步骤S1所得到的具有样本标签的原始番茄病害图像数据集进行数据增强操作，将原始数据集中的每幅图像通过高斯噪声添加和变换角度等多种操作方式进行图像数据扩充；S3、将通过步骤S2得到的番茄病害图像扩充数据集通过数据归一化等方法进行图像预处理操作；S4、将步骤S3得到的预处理后的番茄病害图像数据集划分为训练集和验证集；S5、建立用于番茄常见叶片病害识别的卷积神经网络模型，该模型主要基于MobilenetV3网络模型，该模型主要包括多层结构的模块，第一个模块包括卷积层和H‑Swish层等；最后四层，包括卷积层和全局平均池化层，中间模块都是带有3×3或5×5大小的深度可分离卷积的瓶颈结构；S6、利用步骤S4得到的训练集输入到步骤S5建立的卷积神经网络中进行模型训练，在训练前，利用优化bottleneck模块的方法进行模型优化，获得优化后卷积神经网络模型；S7、将步骤S4中得到的测试集图像输入到通过步骤S6得到的优化后卷积神经网络模型，完成对番茄病害种类的识别。2.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法，其特征在于：在步骤S1中，所述的原始番茄病害数据包括番茄早疫病、晚疫病、叶霉病、七星叶斑病、细菌斑病和健康叶片的图像。3.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法，其特征在于：步骤S2的具体步骤是：将步骤S1中贴标签后的图像进行数据增广操作，将每幅图像通过随机翻转、高斯噪声添加和变换角度的操作方式进行图像数据扩充；其中，每种操作方式对标注后数据集扩充1倍。4.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法，其特征在于：步骤S3所述的图像标准化预处理方法将数据通过去均值实现中心化处理，有利于卷积神经网络在众多数据分布中找到分布点，从而加快模型的收敛。5.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法，其特征在于：步骤S4所述的按一定比例划分训练集、验证集，训练集数据较多于验证集，且训练集、验证集的图像中同时包括番茄的常见病害类型。6.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法，其特征在于：步骤S5中，以bottleneck结构为主的模块，依据网络深度的不同而有所调节，输出神经元节点个数为即为番茄病害类型数，输出层分类函数采用Softmax分类函数。7.根据权利要求1所述的一种基于深度学习的番茄叶片病害识别研究方法，其特征在于：在步骤S6中，所述网络模型训练需要进行多次迭代训练，直到网络模型的损失函数收敛，即损失函数降低到一定程度后趋于稳定，获得病害识别率较高的网络模型。2CN114550164A说明书1/7页一种基于深度学习的番茄叶片