The invention relates to a disease image recognition method based on mixed convolution neural network based on fusion context information, which solves the defects of low recognition rate and poor robustness of the disease image compared with the prior art. The invention comprises the following steps: collecting and preprocessing of training images are constructed and trained; hybrid convolution neural network model; test collection and image preprocessing; hybrid convolution neural network model to test sample after the completion of the training input, automatic identification of disease image recognition, to measure the disease image category. The invention combines the picture information and the context information of the disease image to construct the mixed convolution neural network, thereby improving the accuracy of the disease identification and enhancing the robustness of the disease identification algorithm.
【技术实现步骤摘要】
一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法
本专利技术涉及图像识别
,具体来说是一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法。
技术介绍
病害一直是困扰农作物生长的基本问题,由于植物病害症状最初很模糊,加大了人工目测的难度。现行的病害分类、识别工作主要是依靠少数植保专家和农技人员来完成的,但病害种类繁多,而每一位植保专家穷其所能也只能识别部分病害。病害图像的识别由于其植物种类的多样性、不同种类植物病害的多变性,使得传统的自动识别方法识别率不高、鲁棒性较差,且只能存在于实验阶段。因此,如何能够提高病害图像识别的准确性已经成为急需解决的技术问题。
技术实现思路
本专利技术的目的是为了解决现有技术中病害图像识别率低、鲁棒性差的缺陷,提供一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法来解决上述问题。为了实现上述目的,本专利技术的技术方案如下:一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法,包括以下步骤:训练图像的收集和预处理,收集若干幅图像作为训练图像,收集图像的焦点集中在病害症状上,将所有训练图像的大小归一化为256×256像素,得到若干个训练样本;构造并训练混合卷积神经网络模型,分别获取病害图像特征和病害图像的上下文信息的特征,将病害图像特征与病害图像的上下文信息特征相融合,构建混合卷积神经网络模型,并对构建后的混合卷积神经网络模型进行训练;待测图像的收集和预处理,获取待测图像并将待测图像的大小归一化为256×256像素,得到测试样本;将测试样本输入训练完成后的混合卷积神经网络模型中,进行病害图像的自动识 ...
【技术保护点】
一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法,其特征在于,包括以下步骤:11)训练图像的收集和预处理,收集若干幅图像作为训练图像,收集图像的焦点集中在病害症状上,将所有训练图像的大小归一化为256×256像素,得到若干个训练样本;12)构造并训练混合卷积神经网络模型,分别获取病害图像特征和病害图像的上下文信息的特征,将病害图像特征与病害图像的上下文信息特征相融合,构建混合卷积神经网络模型,并对构建后的混合卷积神经网络模型进行训练;13)待测图像的收集和预处理,获取待测图像并将待测图像的大小归一化为256×256像素,得到测试样本;14)将测试样本输入训练完成后的混合卷积神经网络模型中,进行病害图像的自动识别,识别出待测病害图像的类别。
【技术特征摘要】
1.一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法,其特征在于,包括以下步骤:11)训练图像的收集和预处理,收集若干幅图像作为训练图像,收集图像的焦点集中在病害症状上,将所有训练图像的大小归一化为256×256像素,得到若干个训练样本;12)构造并训练混合卷积神经网络模型,分别获取病害图像特征和病害图像的上下文信息的特征,将病害图像特征与病害图像的上下文信息特征相融合,构建混合卷积神经网络模型,并对构建后的混合卷积神经网络模型进行训练;13)待测图像的收集和预处理,获取待测图像并将待测图像的大小归一化为256×256像素,得到测试样本;14)将测试样本输入训练完成后的混合卷积神经网络模型中,进行病害图像的自动识别,识别出待测病害图像的类别。2.根据权利要求1所述的一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法,其特征在于,所述的构造并训练混合卷积神经网络模型包括以下步骤:21)构建混合卷积神经网络模型,将归一化后的训练样本裁剪成227×227像素大小作为AlexNet网络模型的输入,输出病害图像特征向量,在AlexNet网络模型的基础上添加前馈全连接子网,将图片的上下文信息作为此前馈全连接子网的输入,输出病害图像的上下文信息特征向量,将病害图像特征向量与上下文信息特征向量融合之后再进行全连接,通过softmax分类器输出病害图像所属的类别概率;22)混合卷积神经网络模型的训练,使用imagenet图像集来初步训练构造的混合卷积神经网络模型,将初步训练后模型中的所有或者部分参数值用作最终模型参数的初始值,使用收集的若干病害训练图像对已初步训练过的混合卷积神经网络模型进行微调,进一步优化网络模型的参数,完成对混合卷积神经网络模型的最终训练。3.根据权利要求2所述的一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法,其特征在于,所述的构建混合卷积神经网络模型包括以下步骤:31)采用基于AlexNet模型的8层结构构造混合卷积神经网络FCNN,其中:AlexNet模型的前5层为卷积层、后3层为全连接层,将归一化后截取的227×227像素大小的的训练样本输入混合卷积神经网络的第1层卷积层,经过从第2层至第5层卷积滤波...
【专利技术属性】
技术研发人员:陈天娇,谢成军,余健,张洁,李瑞,陈红波,王儒敬,
申请(专利权)人:中国科学院合肥物质科学研究院,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。