一种基于CNN与迁移学习的病害智能识别方法及系统技术方案

本发明专利技术提供一种基于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，病害图像识别方法包括如下步骤：图像预处理，将图像大小归一化，然后利用Faster‑RCNN快速定位病症区域，排出背景干扰；图像特征提取，采用triplet相似性度量模型提取图像特征，然后采用SIFT特征作为补偿特征做加权融合；病害分类识别，采用深度卷积神经网络学习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。

An Intelligent Disease Recognition Method and System Based on CNN and Transfer Learning

【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，然后利用Faster-RCNN多目标检测算法快速定位病症区域，排出背景干扰；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植物图片特征，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：将训练得到的第一卷积神经网络模型训练正常植物图像并形成模型参数；S33：将模型参数迁移至新的卷积神经网络模型，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病害植物图像，并通过Softmax对图像进行标签分类；卷积神经网络模型包括第一第一卷积神经网络模型和第二卷积神经网络模型，卷积神经网络模型包括卷积层、全连接层和病虫害分类层。在本专利技术的较佳实施例中，上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，病虫害分类层包括Softmax分类器，Softmax分类器的每一类都分别对应一个植物病害。在本专利技术的较佳实施例中，上述S31还包括如下步骤：将训练好的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。在本专利技术的较佳实施例中，上述在S3中采用BP算法训练整个卷积神经网络，训练过程包括信息的正向传播和误差的反向传播。在本专利技术的较佳实施例中，上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是植物样本对应的植物病害类别；将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，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。在本专利技术的较佳实施例中，上述误差的反向传播的处理方式包括如下步骤：Softmax分类器的损失函数公式如下：其中为m训练样本的个数、k为该属性分类器类别数、1{·}为示性函数，θi和θj为模型参数，x为输入样本数，计算出输出层误差后，将其反向回传到前几层更新参数；若下层时池化层，其误差值δj的公式如下：其中第l层为卷积层，第l+1层为池化层，并且池化层的误差是δj+1，卷积层和上采样后的池化层节点对应，函数表示第l层的第j节点对应的激活函数的导数；若下层是卷积层，本层池化层第j个通道的误差计算方式为：其中本层池化层有N个特征图，卷积层有M个卷积核，卷积层和池化层分别为l,l+1层，卷积层中每个卷积核都有与之对应的误差项，从而通过当前网络权值和学习率更新参数。在本专利技术的较佳实施例中，上述triplet相似性度量模型提取植物图片特征的操作方法如下：S21：根据公式：中的约束条件构建三元组其中threshold表示特定阈值，为参考样本的第一图像特征，为与参考样本同一类的第二图像特征，为与参考样本不同类的第三图像特征；参考样本从训练数据中随机选取得到；S22：将训练集整理成的三元组形式，其中表示植物的第一拍照图，表示该植物的第二拍照图，表示随机选取的与该植物不同的其他植物图片；S23：将训练集输入网络，上面网络的输入是和下面的网络输入是经过卷积-池化等运算最终传递到最后一层全连接层，对应提取出的特征为上下两个网络全连接层再一起输入到Tripletloss损失函数中，计算残差并同时调整两个网络的参数。在本专利技术的较佳实施例中，上述加权融合的操作步骤包括：在空间尺度中寻找极值点，提取极值点的位置、尺度和旋转不变量，将极值点作为特征点进行特征匹配。本专利技术还提供一种基于CNN与迁移学习的病害智能识别系统，该植物病害智能识别系统包括服务层、控制层和计算存储层；服务层将结果可视化提供给用户；控制层负责网站后端各个功能模块的调度；计算存储层包括视频图像数据处理模块、HDFS数据存储模块、深度学习计算模块和数据库模块，视频数据处理模块进行图像预处理，然后将数据存入HDFS数据存储模块中，深度学习计算模块从HDFS数据存储模块中读取数据并进行训练，然后将训练好的模型导入到数据库模块中，完成植物病害识别。在本专利技术的较佳实施例中，上述植物病害智能识别系统基于MapReduce计算框架，采用离线批处理、在线实时处理和流式计算方法；离线批处理通过离线批处理通过GPU计算，将识别后的离线图像数据写入HBase或者MySQL对外提供查询服务；在线实时处理和流式计算方法用于实时处理图像数据，处理完成后将识别结果保存到数据库模块并将实时计算的识别结果通过服务层的API直接提供给服务请求方。本专利技术实施例的有益效果是：(1)本病害识别方法和系统对图像质量要求低，可靠性强。传统的OpenCV拥有丰富的视觉算法函数库，但在解决农业病害图形识别时对图像的要求极高，容易受光照、背景等环境干扰影响识别精度。本系统所采用的Triplet相似性度量模型可有效提高特征识别率，通过卷积神经网络训练模型，使系统对不同像素的病害图像都可识别，具有较好的普适性，对背景的干扰降低，可靠性更强。(2)本病害识别方法和系统的运算速度更快、运行效率高。传统的SVM支持向量机模型在训练样本数量较大时运算速度慢，而本系统采用CNN深度卷积神经网络模型，模型训练时系统从HDFS读取图像数据并从SQL中获取对应像素点标签，通过分布式计算平台快速迭代训练。模型训练好后导入当前模型数据库，实现植物病虫害识别功能。在该模式下本地判断一张图像病害类别可在3秒内完成。(3)本文档来自技高网...

【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。...

【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