一种基于迁移学习的番茄病虫害自动检测方法技术

本发明专利技术公开了一种基于迁移学习的番茄病虫害自动检测方法，属于图像技术领域。本发明专利技术收集番茄病虫害叶表图片训练样本，对各个番茄病虫害叶表图片训练样本的图片进行数据增强，再将数据增强后的图片分类输入到深度学习网络中；对番茄病虫害叶表图片训练样本进行学习，设定学习次数上限和识别精度阈值，在进行监督学习时根据输入样本的刺激下不断地改变卷积神经网络各层之间的连接权重，当学习次数已达到学习次数上限或识别精度达到识别精度阈值时，则输出当前卷积神经网络各层之间的连接权重模型作为番茄病虫害叶表图片识别分类器。

An automatic detection method for tomato diseases and pests based on migration learning

The invention discloses an automatic detection method of tomato disease and insect pests based on migration learning, which belongs to the field of image technology. The invention collects tomato pest leaves pictures of each training sample, the leaves of tomato pest images for training sample pictures for data enhancement, then the enhanced image classification data input to the deep learning network; pest on tomato leaves. The training samples for learning, learning and setting the maximum number of recognition accuracy threshold in supervised learning, according to the input samples under the stimulation of changing weights of convolutional neural network between each layer, when the maximum number of times of learning learning accuracy or recognition achieve recognition accuracy has reached the threshold, then the output connection weights between the current model of convolutional neural network layers as tomato pest leaf surface image recognition classifier.

【技术实现步骤摘要】
一种基于迁移学习的番茄病虫害自动检测方法
本专利技术涉及一种基于迁移学习的番茄病虫害自动检测方法，属于图像

技术介绍
番茄病虫害检测有别于其它异物检测，不同番茄病虫害叶表图片具有一定的差异性，但是它们的相似性会更大一些，这使得对番茄病虫害叶表特征提取变得很困难，很难找到一种合适的特征来进行检测训练。而卷积神经网络可以很好的解决这个问题，对于二维输入的番茄病虫害叶表图片，它不需要人为特定的预先选取特征，而是直接对原始图像特征进行训练学习，在训练中自主学习新的特征，并且不断更新特征学习。选用卷积神经网络模型检测番茄病虫害，是因为它可以根据人的视觉特性，对番茄病虫害图像逐级提取不同的特征，在卷积时通过的不同特征图的组合可以大大提高特征的表达能力。而且卷积神经网络具有局部连接和权值共享的特性，它们可以减少模型的参数数量，降低番茄病虫害检测模型的复杂度。最终训练得到的模型是一个端到端的模型，即输入一张番茄病虫害的叶表图片，输出便是番茄病虫害种类的标签，所以卷积神经网络很适合用来检测番茄病虫害叶表图片。构建的卷积神经网络模型检测番茄病虫害时出现了过拟合现象。
技术实现思路
为了克服上述的不足，本专利技术提出了一种基于迁移学习的番茄病虫害自动检测方法。本专利技术采取的技术方案如下：一种基于迁移学习的番茄病虫害自动检测方法，包括如下步骤：步骤1：收集番茄病虫害叶表图片训练样本，对各个番茄病虫害叶表图片训练样本的图片进行数据增强，再将数据增强后的图片分类输入到深度学习网络中；步骤2：对番茄病虫害叶表图片训练样本进行学习，设定学习次数上限和识别精度阈值，在进行监督学习时根据输入样本的刺激下不断地改变卷积神经网络各层之间的连接权重，当学习次数已达到学习次数上限或识别精度达到识别精度阈值时，则输出当前卷积神经网络各层之间的连接权重模型作为番茄病虫害叶表图片识别分类器；步骤3：利用训练好的连接权重模型提取所有训练样本的番茄病虫害叶表图片特征并附上相应标签，再进入svm学习将低维输入空间线性不可分的训练样本的番茄病虫害叶表图片特征转化为高维特征空间使其线性可分，从而将训练样本的番茄病虫害叶表图片特征分入相应的类别；步骤4，番茄病虫害叶表图片识别，读取待识别的番茄病虫害叶表图片图片，对番茄病虫害叶表图片图片进行数据增强，再利用番茄病虫害叶表图片识别分类器对数据增强后的番茄病虫害叶表图片图片进行番茄病虫害叶表图片特征识别提取，再利用svm对识别提取的番茄病虫害叶表图片特征进行分类，最终输出番茄病虫害叶表图片识别结果。步骤2中监督学习的具体步骤如下：步骤2.1：给各分层之间的连接权值分别赋一个区间(-1，1)内的随机数，设定识别精度函数E以及学习次数上限M，设输入层与隐含层的连接权重为Wih，隐含层与输出层的连接权重为Who；步骤2.2：设定番茄病虫害叶表图片训练样本Xi的个数为k，隐含层各神经元的阈值为bih，节点未加激活函数时的输出Xj为：步骤2.3：设定神经元本身输出的激活函数则输入激活函数Hi为：步骤2.4：由于隐含层对应有k个激活函数，于是有便有k个隐含层输出Hi，输出层各神经元的阈值为bho，则节点未加激活函数时的输出Hj为：输出激活函数Yj为：步骤2.5：设定输入样本对应的期望输出为Dj，则误差函数E为：步骤2.6：获取连接权重的改变量为：其中，l为学习率，步骤2.7：对连接权重进行更新：WihN+1＝WihN+ΔWih，WhoN+1＝WhoN+ΔWho。本专利技术有益效果：本专利技术解决了构建的卷积神经网络模型检测番茄病虫害时出现了过拟合现象。具体实施方式下面结合具体实施例说明本专利技术的技术方案。一种基于迁移学习的番茄病虫害自动检测方法，包括如下步骤：步骤1：收集番茄病虫害叶表图片训练样本，对各个番茄病虫害叶表图片训练样本的图片进行数据增强，再将数据增强后的图片分类输入到深度学习网络中；步骤2：对番茄病虫害叶表图片训练样本进行学习，设定学习次数上限和识别精度阈值，在进行监督学习时根据输入样本的刺激下不断地改变卷积神经网络各层之间的连接权重，当学习次数已达到学习次数上限或识别精度达到识别精度阈值时，则输出当前卷积神经网络各层之间的连接权重模型作为番茄病虫害叶表图片识别分类器；步骤2的具体步骤包括如下：步骤2.1：给各分层之间的连接权值分别赋一个区间(-1，1)内的随机数，设定识别精度函数E以及学习次数上限M，设输入层与隐含层的连接权重为Wih，隐含层与输出层的连接权重为Who；步骤2.2：设定番茄病虫害叶表图片训练样本Xi的个数为k，隐含层各神经元的阈值为bih，节点未加激活函数时的输出Xj为：步骤2.3：设定神经元本身输出的激活函数则输入激活函数Hi为：步骤2.4：由于隐含层对应有k个激活函数，于是有便有k个隐含层输出Hi，输出层各神经元的阈值为bho，则节点未加激活函数时的输出Hj为：输出激活函数Yj为：步骤2.5：设定输入样本对应的期望输出为Dj，则误差函数E为：步骤2.6：获取连接权重的改变量为：其中，l为学习率，步骤2.7：对连接权重进行更新：WihN+1＝WihN+ΔWih，WhoN+1＝WhoN+ΔWho。步骤3：利用训练好的连接权重模型提取所有训练样本的番茄病虫害叶表图片特征并附上相应标签，再进入svm学习将低维输入空间线性不可分的训练样本的番茄病虫害叶表图片特征转化为高维特征空间使其线性可分，从而将训练样本的番茄病虫害叶表图片特征分入相应的类别；步骤4：番茄病虫害叶表图片识别，读取待识别的番茄病虫害叶表图片图片，对番茄病虫害叶表图片图片进行数据增强，再利用番茄病虫害叶表图片识别分类器对数据增强后的番茄病虫害叶表图片图片进行番茄病虫害叶表图片特征识别提取，再利用svm对识别提取的番茄病虫害叶表图片特征进行分类，最终输出番茄病虫害叶表图片识别结果。本文档来自技高网...

【技术保护点】
一种基于迁移学习的番茄病虫害自动检测方法，其特征在于：包括如下步骤：步骤1：收集番茄病虫害叶表图片训练样本，对各个番茄病虫害叶表图片训练样本的图片进行数据增强，再将数据增强后的图片分类输入到深度学习网络中；步骤2：对番茄病虫害叶表图片训练样本进行学习，设定学习次数上限和识别精度阈值，在进行监督学习时根据输入样本的刺激下不断地改变卷积神经网络各层之间的连接权重，当学习次数已达到学习次数上限或识别精度达到识别精度阈值时，则输出当前卷积神经网络各层之间的连接权重模型作为番茄病虫害叶表图片识别分类器；步骤3：利用训练好的连接权重模型提取所有训练样本的番茄病虫害叶表图片特征并附上相应标签，再进入svm学习将低维输入空间线性不可分的训练样本的番茄病虫害叶表图片特征转化为高维特征空间使其线性可分，从而将训练样本的番茄病虫害叶表图片特征分入相应的类别；步骤4：番茄病虫害叶表图片识别，读取待识别的番茄病虫害叶表图片图片，对番茄病虫害叶表图片图片进行数据增强，再利用番茄病虫害叶表图片识别分类器对数据增强后的番茄病虫害叶表图片图片进行番茄病虫害叶表图片特征识别提取，再利用svm对识别提取的番茄病虫害叶表图片特征进行分类，最终输出番茄病虫害叶表图片识别结果。...

【技术特征摘要】
1.一种基于迁移学习的番茄病虫害自动检测方法，其特征在于：包括如下步骤：步骤1：收集番茄病虫害叶表图片训练样本，对各个番茄病虫害叶表图片训练样本的图片进行数据增强，再将数据增强后的图片分类输入到深度学习网络中；步骤2：对番茄病虫害叶表图片训练样本进行学习，设定学习次数上限和识别精度阈值，在进行监督学习时根据输入样本的刺激下不断地改变卷积神经网络各层之间的连接权重，当学习次数已达到学习次数上限或识别精度达到识别精度阈值时，则输出当前卷积神经网络各层之间的连接权重模型作为番茄病虫害叶表图片识别分类器；步骤3：利用训练好的连接权重模型提取所有训练样本的番茄病虫害叶表图片特征并附上相应标签，再进入svm学习将低维输入空间线性不可分的训练样本的番茄病虫害叶表图片特征转化为高维特征空间使其线性可分，从而将训练样本的番茄病虫害叶表图片特征分入相应的类别；步骤4：番茄病虫害叶表图片识别，读取待识别的番茄病虫害叶表图片图片，对番茄病虫害叶表图片图片进行数据增强，再利用番茄病虫害叶表图片识别分类器对数据增强后的番茄病虫害叶表图片图片进行番茄病虫害叶表图片特征识别提取，再利用svm对识别提取的番茄病虫害叶表图片特征进行分类，最终输出番茄病虫害叶表图片识别结果。2.根据权利要求1所述的基于深度学习的番茄病虫害叶表图片识别方法，其特征在于：步骤2中监督学习的具体步骤为：步骤2.1：给各分层之间的连接权值分别赋一个区间(-1，1)内的随机数，设定识别精度函数E以及学习次数上限M，设输入层与隐含层的连接权重为Wih，隐含层与输出层的连接权重为Who；步骤2.2：设定番茄病虫害叶表图片训练样本Xi的个数为k，隐含层各神经元的阈值为bih，节点未加激活函数时的输出Xj为：

【专利技术属性】
技术研发人员：贾世杰，刘海波，贾沛漪，
申请(专利权)人：大连交通大学，
类型：发明
国别省市：辽宁,21