【技术实现步骤摘要】
一种基于CNN与迁移学习的病害智能识别方法及系统
本专利技术涉及智能识别领域,具体而言,涉及一种基于CNN与迁移学习的病害智能识别方法及系统。
技术介绍
目前,计算机视觉领域可用于识别的技术较多,其中最常用于农业领域的两类即基于图像形态学的OpenCV视觉算法库和SVM支持向量机。OpenCV视觉算法是从病害图形的颜色和形状特征入手,在可见光范围内对病害特征提取,再根据特征对图像分类处理实现诊断。此类方法对病害图像质量要求极高,且不同的光照、背景会对识别结果产生影响,该方法识别精确度,抗噪能力弱,对病害图像检测的普适性较差。SVM支持向量机基于深度学习技术原理,可对图像样本训练实现特征提取,达到分类识别的目的。该方法存在两方面缺点:(1)该方法是借助二次规划来求解支持向量,当样本个数较大时该矩阵的求解过程会占用大量的运行内存和运算时间,运算性能差。(2)经典的支持向量机算法只给出了二类分类的算法,而在农业领域的病害识别应用中,一般要解决多类的分类问题,经典的SVM算法需要与其他算法组合才能实现多分类的问题,增加了模型复杂程度和开发成本。
技术实现思路
本专利技术的目的在于针对现有技术存在的缺陷,提供一种基于CNN与迁移学习的病害智能识别方法及系统,其能够降低图片背景的干扰,能够在有限样本数量下实现较高的识别精准度,并且支持训练样本多分类运行效率更高。本专利技术的实施例是这样实现的:一种基于CNN与迁移学习的病害智能识别方法,该智能识别方法包括病害图像识别方法,病害图像识别方法包括如下步骤:S1:图像预处理,将获取的植物图片进行图像二值化和图像大小归一化,然后利 ...
【技术保护点】
1.一种基于CNN与迁移学习的病害智能识别方法,其特征在于,所述智能识别方法包括病害图像识别方法,所述病害图像识别方法包括如下步骤:S1:图像预处理,将获取的植物图片进行图像二值化和图像大小归一化,然后利用Faster‑RCNN多目标检测算法快速定位病症区域,排出背景干扰;所述植物图片包括正常植物图像和病害植物图像;S2:图像特征提取,采用triplet相似性度量模型提取预处理后的所述植物图片的图像特征,然后采用SIFT特征作为补偿特征做加权融合;S3:病害分类识别,采用深度卷积神经网络学习所述正常植物图像的第一图像特征,再使用迁移学习进行病害植物图像的第二图像特征学习,最后结合第一图像特征和第二图像特征进行分类识别;采用深度卷积神经网络模型对病害进行多分类识别,其包括如下步骤:S31:构建并训练第一卷积神经网络模型;S32:将训练得到的所述第一卷积神经网络模型训练所述正常植物图像并形成模型参数;S33:将所述模型参数迁移至新的所述卷积神经网络模型,得到第二卷积神经网络模型;S34:利用第二卷积神经网络模型训练需要识别的所述病害植物图像,并通过Softmax对图像进行标签分类;所述卷积 ...
【技术特征摘要】
1.一种基于CNN与迁移学习的病害智能识别方法,其特征在于,所述智能识别方法包括病害图像识别方法,所述病害图像识别方法包括如下步骤:S1:图像预处理,将获取的植物图片进行图像二值化和图像大小归一化,然后利用Faster-RCNN多目标检测算法快速定位病症区域,排出背景干扰;所述植物图片包括正常植物图像和病害植物图像;S2:图像特征提取,采用triplet相似性度量模型提取预处理后的所述植物图片的图像特征,然后采用SIFT特征作为补偿特征做加权融合;S3:病害分类识别,采用深度卷积神经网络学习所述正常植物图像的第一图像特征,再使用迁移学习进行病害植物图像的第二图像特征学习,最后结合第一图像特征和第二图像特征进行分类识别;采用深度卷积神经网络模型对病害进行多分类识别,其包括如下步骤:S31:构建并训练第一卷积神经网络模型;S32:将训练得到的所述第一卷积神经网络模型训练所述正常植物图像并形成模型参数;S33:将所述模型参数迁移至新的所述卷积神经网络模型,得到第二卷积神经网络模型;S34:利用第二卷积神经网络模型训练需要识别的所述病害植物图像,并通过Softmax对图像进行标签分类;所述卷积神经网络模型包括第一所述第一卷积神经网络模型和所述第二卷积神经网络模型,所述卷积神经网络模型包括卷积层、全连接层和病虫害分类层。2.根据权利要求1所述的基于CNN与迁移学习的病害智能识别方法,其特征在于,所述卷积神经网络模型包括5层卷积层、2层全连接层和病虫害分类层,所述病虫害分类层包括Softmax分类器,所述Softmax分类器的每一类都分别对应一个植物病害。3.根据权利要求1所述的基于CNN与迁移学习的病害智能识别方法,其特征在于,所述S31还包括如下步骤:将训练好的所述第一卷积神经网络初始化各个卷积层和全连接层的网络参数,采用高斯分布随机初始化所述病虫害分类层的神经元参数,最后使用病害数据集再次训练整个第一卷积神经网络模型。4.根据权利要求1所述的基于CNN与迁移学习的病害智能识别方法,其特征在于,在所述S3中采用BP算法训练整个卷积神经网络,所述训练过程包括信息的正向传播和误差的反向传播。5.根据权利要求4所述的基于CNN与迁移学习的病害智能识别方法,其特征在于,所述信息的正向传播的处理方式包括如下步骤:从训练样本中选取一批植物样本{(x1,Y1),(x2,Y2),...,(xm,Ym)},其中xi是植物样本图像,Yi是所述植物样本对应的植物病害类别;将所述正常植物样本图像的RGB像素值线性排列作为输入,通过当层的网络参数和前一层的第一输出计算出当层的第二输出,所述第二输出作为下一层的输入,依次逐层计算直至输出植物病害的多分类标签。6.根据权利要求4所述的基于CNN与迁移学习的病害智能识别方法,其特征在于,所述误差的反向传播的处理方式包括如下步骤:所述Softmax分类器的损失函数公式...
【专利技术属性】
技术研发人员:曹艳,刘永波,胡亮,唐江云,雷波,
申请(专利权)人:四川省农业科学院农业信息与农村经济研究所,
类型:发明
国别省市:四川,51
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。