基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法技术

基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法，本发明专利技术涉及玉米叶片病害识别方法。本发明专利技术为了解决现有玉米叶片病害识别技术中网络模型参数较多、病害种类识别精确度低的缺点。本发明专利技术包括：一：进行玉米叶片图像数据集的收集，将收集的玉米叶片图像数据集进行扩大后，进行图像数据集的预处理；预处理后的图像数据集分为训练集和测试集；二：将训练集和测试集输入到卷积神经网络模型GoogleNet中利用第一个分类器进行训练和测试，得到优化的卷积神经网络模型GoogleNet；三：将测试集输入优化后的卷积神经网络模型GoogleNet中，完成对玉米叶片病害种类的识别。本发明专利技术用于图像识别技术领域。

【技术实现步骤摘要】
基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法
本专利技术涉及图像识别
，具体涉及基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法。
技术介绍
玉米是我国重要的粮食作物和饲料作物。近些年由于耕作栽培制度的改变、病原菌品种的变异、植物保健措施不健全等造成玉米病害发生且危害程度逐年加重，种类也逐年增多，常见的玉米叶片病害有：大斑病、小斑病、锈病、圆斑病、弯孢叶斑病、矮花叶病等。在我国现行的病害分类、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。在当今模式识别领域，基于无监督的深度学习理论及其改进方法成为众多学者研究的热点，该算法在人脸识别、物体识别领域被广泛应用，并取得了较好的效果。基于作物病害图像的作物病害识别方法研究一直是图像处理和机器学习领域的一个重要的研究课题，但是当前的方法往往面临网络参数较多、识别精确度不高的问题。因此，如何减少训练时网络模型的参数，并且提高玉米叶片病害种类的识别精确度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玉米叶片病害识别技术中网络模型参数较多、病害种类识别精确度低的缺点，而提出基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法。基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法包括以下步骤：步骤一：进行玉米叶片图像数据集的收集，将收集的玉米叶片图像数据集进行扩大后，进行图像数据集的预处理；预处理后的图像数据集分为训练集和测试集；步骤二：将步骤一预处理后的训练集和测试集输入到卷积神经网络模型GoogleNet中利用第一个分类器进行训练和测试，调整卷积神经网络模型GoogleNet参数，得到优化的卷积神经网络模型GoogleNet(最优的top-1精度和最小的模型损失)；步骤三：将步骤一处理后的测试集输入步骤二得到的优化后的卷积神经网络模型GoogleNet中，完成对玉米叶片病害种类的识别。本专利技术的有益效果为：采用GoogleNet模型的第一个分类器对玉米叶片图像数据集中的9类样本进行50000次迭代，并且每进行100次迭代后就对top-1精确度以及模型损失进行一次测量，实验得到的top-1精确度和损失。本专利技术中，GoogleNet模型初始学习率为0.001，采用“step”的方法每迭代2000次对学习率进行一次衰减，学习率变化的比率为0.96。当训练迭代10000次后，测试top-1精确度趋于稳定并且逐渐趋向于1，损失度逐渐接近于0趋于稳定。经实验，利用改进后的GoogleNet模型对玉米叶片图像数据进行训练及测试后，得到的top-1精确度平均值为98.9％，损失平均值为1.6％。改进后模型的识别精确度与损失较原始模型均有提升。附图说明图1为本专利技术流程图；图2为本专利技术中卷积神经网络模型GoogleNet中“Inception”模块的结构；图3为本专利技术利用原始卷积神经网络模型GoogleNet对玉米叶片图像数据集进行病害识别的测试精确度随迭代次数变化的曲线；图4为本专利技术利用原始卷积神经网络模型GoogleNet对玉米叶片图像数据集进行病害识别的测试模型损失随迭代次数变化的曲线；图5为本专利技术利用优化后的卷积神经网络模型GoogleNet对玉米叶片图像数据集进行病害识别的测试精确度随迭代次数变化的曲线；图6为本专利技术利用优化后的卷积神经网络模型GoogleNet对玉米叶片图像数据集进行病害识别的测试模型损失随迭代次数变化的曲线。具体实施方式具体实施方式一：如图1所示，基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法包括以下步骤：步骤一：进行玉米叶片图像数据集的收集，将收集的玉米叶片图像数据集进行扩大后，进行图像数据集的预处理；预处理后的图像数据集分为训练集和测试集；步骤二：将步骤一预处理后的训练集和测试集输入到卷积神经网络模型GoogleNet中利用第一个分类器进行训练和测试，调整卷积神经网络模型GoogleNet参数，得到优化的卷积神经网络模型GoogleNet(最优的top-1精度和最小的模型损失)；步骤三：将步骤一处理后的测试集输入步骤二得到的优化后的卷积神经网络模型GoogleNet中，完成对玉米叶片病害种类的识别。本专利技术与现有玉米叶片病害识别技术相比解决了模型训练时参数较多、病害种类识别精度低的缺陷。本专利技术包括以下步骤：训练及测试图像数集的收集、扩大和预处理；构建以及优化深度卷积神经网络模型GoogleNet；利用图像集中的训练集对网络进行训练；将测试样本输入训练完成后的卷积神经网络模型中，进行玉米叶片病害图像的自动识别，识别出待测病害图像的类别。本专利技术利用改进的卷积神经网络模型GoogleNet对9类玉米叶片图像的特征进行提取，优化后的模型对玉米叶片病害种类的识别精确度有一定的提高，且模型参数较少。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中将收集的玉米叶片图像数据集进行扩大的具体过程为：将玉米叶片图像数据集中的图像分别进行90°、180°、270°的旋转(每个图像都进行90°、180°、270°的旋转，旋转后一张图像变为4张图像)，将旋转后的图像进行镜像处理，将镜像处理后的图像的中心按照相同尺寸进行分割；将旋转、镜像及分割后的图像依次转换为灰度图(将经上述步骤处理过后的玉米叶片图像数据集中的部分图像转换为灰度图)。其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤一中进行图像数据集的预处理的具体过程为：利用Python语言基于OpenCv对输入数据集中的图像名称、格式及大小进行归一化处理，对归一化处理后的图像类别进行标记，所述图像类别包括8个叶片病害类别和1个健康叶片类别，8个叶片病害类别为大斑病、小斑病、锈病、褐斑病、圆斑病、弯孢菌叶斑病、灰斑病和矮花叶病。其它步骤及参数与具体实施方式一或二相同。具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤一中训练集为图像数据集的80％，测试集为图像数据集的20％。其它步骤及参数与具体实施方式一至三之一相同。具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤二中调整卷积神经网络模型GoogleNet参数的具体过程为：设置初始学习率为0.001～0.0001，权重衰减系数为0.0002～0.0001，学习率变化的比率为0.95～0.98，学习率变化间隔为2000～3000，其他模型参数均采用随机梯度下降算法进行更新。其它步骤及参数与具体实施方式一至四之一相同。具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述卷积神经网络模型GoogleNet的学习率的调整方法为阶梯状的衰减方法(step)。其它步骤及参数与具体实施方式一至五之一相同。具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述卷积神经网络模型GoogleNet的训练及测试运行模式为图形处理器(GPU)。其它步骤及参数与具体实施方式一至六之一相同。实施例一：步骤一：进行玉米叶片图像数据集的收集，将收集的玉米叶片图像数据集进行扩大后，进行图像数据集的预处理；预处理后的图像数据集分为训练本文档来自技高网...

【技术保护点】
基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法，其特征在于：所述玉米叶片病害识别方法包括以下步骤：步骤一：进行玉米叶片图像数据集的收集，将收集的玉米叶片图像数据集进行扩大后，进行图像数据集的预处理；预处理后的图像数据集分为训练集和测试集；步骤二：将步骤一预处理后的训练集和测试集输入到卷积神经网络模型GoogleNet中利用第一个分类器进行训练和测试，调整卷积神经网络模型GoogleNet参数，得到优化的卷积神经网络模型GoogleNet；步骤三：将步骤一处理后的测试集输入步骤二得到的优化后的卷积神经网络模型GoogleNet中，完成对玉米叶片病害种类的识别。

【技术特征摘要】
1.基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法，其特征在于：所述玉米叶片病害识别方法包括以下步骤：步骤一：进行玉米叶片图像数据集的收集，将收集的玉米叶片图像数据集进行扩大后，进行图像数据集的预处理；预处理后的图像数据集分为训练集和测试集；步骤二：将步骤一预处理后的训练集和测试集输入到卷积神经网络模型GoogleNet中利用第一个分类器进行训练和测试，调整卷积神经网络模型GoogleNet参数，得到优化的卷积神经网络模型GoogleNet；步骤三：将步骤一处理后的测试集输入步骤二得到的优化后的卷积神经网络模型GoogleNet中，完成对玉米叶片病害种类的识别。2.根据权利要求1所述的基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法，其特征在于：所述步骤一中将收集的玉米叶片图像数据集进行扩大的具体过程为：将玉米叶片图像数据集中的图像分别进行90°、180°、270°的旋转，将旋转后的图像进行镜像处理，将镜像处理后的图像的中心进行分割；将旋转、镜像及分割后的图像依次转换...

【专利技术属性】
技术研发人员：张喜海，乔岳，孟繁锋，张明明，许绥佳，李想，赵语杭，范成国，宋伟先，许永花，
申请(专利权)人：东北农业大学，
类型：发明
国别省市：黑龙江,23