一种基于卷积神经网络的棉蚜识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110852398A(43)申请公布日2020.02.28(21)申请号201911127841.8(22)申请日2019.11.18(71)申请人河南农业大学地址450046河南省郑州市龙子湖高校区15号(72)发明人乔红波张慧郭伟许鑫马新明(74)专利代理机构西安铭泽知识产权代理事务所(普通合伙)61223代理人梁静(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于卷积神经网络的棉蚜识别方法(57)摘要本发明公开了一种基于卷积神经网络的棉蚜识别方法，该方法包括：获取棉蚜危害图像；采用迁移学习和微调的方式，建立基于卷积神经网络的棉蚜识别模型；将棉蚜危害图像输入至基于卷积神经网络的棉蚜识别模型，确定棉蚜危害等级。本发明使用手机采集棉花蚜虫危害图像，通过前期大量的调查数据，结合数据挖掘、深度学习的深度卷积神经网络方法，建立植物病虫害的识别方法和模型，对棉花蚜虫危害等级进行识别与区分，减少目前植保调查中人为因素产生的差异，而且提高调查效率，降低了试验成本，即利用该方法可方便快捷采集图像，并快速进行分类，为病虫害调查提供方便快捷准确的调查体系，并根据高时效性的理论数据为相关决策部门提供决策支持。CN110852398ACN110852398A权利要求书1/2页1.一种基于卷积神经网络的棉蚜识别方法，其特征在于，包括：获取棉蚜危害图像；采用迁移学习和微调的方式，建立基于卷积神经网络的棉蚜识别模型；将棉蚜危害图像输入至基于卷积神经网络的棉蚜识别模型，确定棉蚜危害等级。2.如权利要求1所述的基于卷积神经网络的棉蚜识别方法，其特征在于，所述获取棉蚜危害图像，具体包括：采用带摄像头的手机在棉花的冠层上进行图像采集；其中，在进行图像采集时要保持镜头与冠层平行，且要确保棉花的冠层全部在采集的图像内。3.如权利要求1所述的基于卷积神经网络的棉蚜识别方法，其特征在于，所述采用迁移学习和微调的方式，建立基于卷积神经网络的棉蚜识别模型；具体包括：采用卷积神经网络模型在ImageNet数据集上训练no_top权重参数；采用棉蚜危害数据集对卷积神经网络模型的所有卷积层及分类层进行微调；根据no_top权重参数和微调后的卷积神经网络模型，训练形成基于卷积神经网络的棉蚜识别模型。4.如权利要求3所述的基于卷积神经网络的棉蚜识别方法，其特征在于，所述采用棉蚜危害数据集对卷积神经网络模型的所有卷积层及分类层进行微调；具体包括：第一卷积组、第二卷积组类似，均由两个卷积层和一个池化层组成，且每个卷积层之后都用到relu激活函数；在第一组的两个卷积层中设置输出特征图个数为64，用大小为3*3的滤波器对棉蚜危害图像进行卷积操作，再进行1个像素值的填充；每次卷积之后的特征图大小都为64*224*224；将前两层卷积层提取到的特征信息再传递给降采样层，经过大小为2*2、步长为2的采样子块进行缩放，最终得到64个112*112像素大小的特征图作为第二个卷积组的输入，设置特征图的输出为128个，滤波器的大小、步长及子采样块的大小、步长都与第一卷积组相同，最终得到128*56*56的特征图；第三卷积组，包含三个卷积层和一个池化层，每个卷积层之后都使用relu激活函数；输入是128个56*56的特征图，设置三个卷积层的特征图输出都是256个，滤波器大小为3*3，对滤波器进行1个像素值的填充，每次卷积之后的特征图大小都为256*56*56，将提取到的特征值再传递给池化层，再对256*28*28做大小为2*2、步长为2的采样子块的缩放，最后得到256*28*28的特征图；第四、五卷积组类似，包括三个卷积层和一个池化层，每个卷积层之后都使用relu激活函数；两个卷积组设置的输出特征图都是512个，最后经过第四层和第五层池化后输出分别为512*14*14和512*7*7；全连接层阶段是指上层中的每个神经元都与下层的所有神经元相连，fc6、fc7分别是第一个和第二个全连接层，输入是上一组卷积层的输出连接成的一个向量即4096维，并且在训练时采用Dropout技术随机关闭一部分神经元，缓解模型过拟合的问题；对fc8层做一次softmax回归，输出的1000维分别对应图片属于该类别的概率。5.如权利要求1所述的基于卷积神经网络的棉蚜识别方法，其特征在于，所述棉蚜危害等级；具体包括：棉蚜危害0级：无蚜虫，叶片平展；棉蚜危害1级：有蚜虫，叶片无受害；2CN110852398A权利要求书2/2页棉蚜危害2级：有蚜虫，受害最重叶片皱缩或微卷，近半圆；棉蚜危害3级：有蚜虫，受害最重叶片卷曲达半圆或半圆以上