一种基于卷积神经网络和多视频图像的作物病害识别方法技术

一种基于卷积神经网络和多视频图像的作物病害识别方法，属于图像处理与机器学习技术领域，该方法包括：对利用农业物联网采集的原始彩色病害叶片图像训练集进行扩充得到扩充的训练集；构建多通道卷积神经网络，并利用所述扩充训练集对所述多通道卷积神经网络进行训练，得到作物病害识别模型；将待识别作物的作物病害叶片图像输入至所述作物病害识别模型中进行图像分类，得到所述待识别作物的病害类型。该方法可以提高作物病害识别模型的准确率，同时解决了现有作物病害识别方法的正确率较低的问题。

A crop disease recognition method based on convolution neural network and multi video images

A method for recognition of crop disease based on convolution neural network and multi video image belongs to the field of image processing and machine learning. The method includes: expanding the training set of the training set of the original color disease blade image collected by the Internet of things of the Agricultural Internet of things and constructing the multi-channel convolution neural network. With the extended training set, the crop disease recognition model is obtained by training the multi-channel convolution neural network, and the image of the crop disease leaves to be identified is classified into the crop disease identification model to get the disease type of the identified crop. This method can improve the accuracy of crop disease identification model and solve the problem of low accuracy of existing crop disease identification methods.

【技术实现步骤摘要】
一种基于卷积神经网络和多视频图像的作物病害识别方法
本专利技术涉及机器学习和图像处理技术，特别涉及一种基于卷积神经网络和多视频图像的作物病害识别方法。
技术介绍
作物在生长过程中经常遭受各种病害的威胁。作物病害是我国的主要农业灾害之一，它具有种类多、影响大、各种病症交叉、重叠发生、并时常暴发成灾的特点。作物病害的发生范围和严重程度对我国农业生产造成了重大影响。目前，农民防治作物病害的方法基本上是经常喷洒农药。实际上，生活史越短、繁殖速递越快、群体越大、接触农药机会越多的有害生物，则产生抗药性越快；用药剂量越大，用药次数越多，则抗药性越容易形成；选择性越好、专业性越强的内吸性高效农药，则越易产生抗药性；作用机理相似的农药混用，则易产生抗药性。由于长期使用化学农药，使得大部分病害均不同程度地产生抗药性，有的甚至已经发展到无药可治的地步。作物病害防治的关键是及时检测病害发生和识别病害类型。利用图像处理和机器学习技术能够简便、快速地检测并识别作物病害，为及时采取防治措施提供必要信息。随着物联网技术的不断发展，基于农业物联网的作物病害检测与识别己成为一个新的研究热点。但由于利用农业物联网采集到的视频图像比较复杂，而且不同光照和风向等条件下采集到的视频图像差异较大，使得很多已有的基于农业物联网的作物病害识别方法的识别率低，不能满足实际需要。卷积神经网络模型具有非常强的自主学习能力，已经在人脸识别、语音识别、图像目标分类与检测等领域都取得了非常好的效果，这为设计基于农业物联网的高精度作物病害识别模型提供了可能性。近年来，卷积神经网络(C33)在图像识别方面取得了突破性的研究成果。C33不同于传统的机器学习算法，C33能够从输入的图像中自动地学习更加抽象的高层特征，避免了提取人为设计的特征的过程，可以解决复杂的图像分类、文本处理和作物病害识别等实际问题。C33是一种有监督的深度学习网络，已在基于作物病害叶片图像的病害类型识别中取得了初步的研究成果和应用成果。例如，Sladojevic等人提出了一种基于深度C33的植物叶部病害图像识别方法，取得了较高的识别正确率；秦丰等人基于C33提取作物叶片病斑图像特征，建立作物病害识别支持向量机网络。上述研究成果表明，利用C33进行植物叶片病害识别是可行的，但是上述方法的缺陷也很明显；例如：所构建的网络涉及的参数比较多、训练时间比较长以及网络的普适性差等问题，所以已有的一些方法不利于基于农业物联网的作物叶部病害识别系统。
技术实现思路
本专利技术的目的是提供一种基于卷积神经网络和多视频图像的作物病害识别方法。为实现上述目的，本专利技术采用如下的技术方案：一种基于卷积神经网络和多视频图像的作物病害识别方法，其特征在于，包括以下步骤：步骤1，利用农业物联网的视频设备每天从3个视角分别采集3幅作物病害叶片彩色图像，将获取的每幅原始作物病害叶片图像缩放为维数大小为64×64×3的彩色图像，组成训练集；对训练集中的每幅图像进行旋转操作、平移操作、尺寸变换操作以及噪声处理，将每幅病害叶片图像扩充为多幅新病害叶片图像；将得到多幅新病害叶片图像加入到训练集，得到扩充训练集；步骤2，构建多通道卷积神经网络模型，并利用步骤1得到的扩充训练集训练该模型；步骤3：将待识别叶片图像输入到步骤2中训练过的多通道卷积神经网络模型，进行分类得到病害叶片图像的识别结果。本专利技术进一步的改进在于，旋转操作具体过程如下：设置多个预设角度，并根据各预设角度对训练集中的每幅图像进行旋转，得到多幅新病害叶片图像。本专利技术进一步的改进在于，平移操作具体过程如下：设置预设像素个数，并根据预设像素个数对训练集中的每幅图像进行左右上下平移操作，得到多幅新病害叶片图像。本专利技术进一步的改进在于，尺寸变换操作具体过程如下：设置预设剪裁像素个数，并根据预设剪裁像素个数对训练集中的每幅图像进行剪裁，得到多幅新病害叶片图像。本专利技术进一步的改进在于，噪声处理具体过程如下：设置椒盐噪声以及高斯白噪声参数，并根据椒盐噪声以及高斯白噪声参数对训练集中的每幅图像中加入噪声，得到多幅新病害叶片图像。本专利技术进一步的改进在于，将每幅新病害叶片图像经缩放为维数大小为64×64×3的彩色图像后加入到训练集，得到扩充训练集。本专利技术进一步的改进在于，构建多通道卷积神经网络的具体过程包括：步骤2.1，多通道卷积神经网络由3个结构相同的卷积神经网络、一个特征融合层、一个全连接层、一个批标准化处理和一个分类层组成；每个通道的卷积神经网络由三个卷积层和三个池化层交替组成；构建多通道卷积神经网络中的3个结构相同的卷积神经网络的具体过程如下：在每个通道的卷积神经网络中的卷积及池化操作如下：对于每幅大小为64×64×3的三维图像，①先通过8个三维卷积核大小为9×9×3的卷积操作，然后进行激活函数为sigmoid的激活操作，再进行池化层窗口大小为2×2、步长为2的下采样操作，得到8个大小为28×28×3的特征图；②通过16个三维卷积核大小为5×5×3的卷积操作，然后进行激活函数为sigmoid的激活操作，再进行池化层窗口大小为2×2、步长为2的下采样操作，得到16个大小为12×12×3的特征图；③通过32个三维卷积核大小为3×3×3的卷积操作，然后进行激活函数为sigmoid的激活操作，再进行池化层窗口大小为2×2、步长为2的下采样操作，得到32个大小为5×5×3的特征图；每个通道的卷积神经网络都得到32个5×5×3的特征图；步骤2.2，构建多通道卷积神经网络的特征融合层，具体过程为：每次取3个通道卷积神经网络中相同位置的一个特征图，得到共3个特征图，再取3个特征图中相同位置的一个像素，共得到3个像素，然后采用0-1均匀分布方法进行采样，得到32个大小为5×5×3的特征图；步骤2.3：构建多通道卷积神经网络的全连接层；具体为：将得到的32个大小为5×5×3的特征图进行全连接处理后，得到一个维数为2400的特征向量；步骤2.4：构建多通道卷积神经网络的批标准化处理；具体为：对得到的特征向量进行批标准化处理，然后输入到分类器进行病害识别；步骤2.5：依次使用训练图像多次重复步骤2.1～步骤2.4的方法训练多通道卷积神经网络，直到病害识别模型的损失收敛，即损失降到一定程度后不再降低，获得能够识别作物病害叶片图像的病害类型的多通道卷积神经网络模型。本专利技术进一步的改进在于，步骤2.4中，批标准化处理的具体过程如下：首先，假设每个批次有p个特征x1,x2,...,xq，计算其均值与方差分别为：其中，μ为批次均值，σ为方差；其次，将数据归一化，得到均值为0、方差为1的数据其中，ε为0.001。与现有技术相比，本专利技术具有的有益效果：(1)卷积神经网络能够通过局部感受野、权值共享和下采样技术，自动提取作物病害叶片图像的颜色特征和结构特征，并具备平移不变性，避免了人工设计的图像特征的局限性；(2)利用多通道卷积神经网络对图像特征进行非线性映射来获得作物病害叶片图像特征，避免了人工设计模型的局限性；(3)利用一天的多个时间段的视频病害叶片图像作为多通道卷积神经网络的输入，而且通过随机化的特征信息融合，增加病害识别模型的鲁棒性，能够得到较好的识别效果；(4)可以提高对待识别作物的病害类型的识别速度，减少作物病害的本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络和多视频图像的作物病害识别方法，其特征在于，包括以下步骤：步骤1，利用农业物联网的视频设备每天从3个视角分别采集3幅作物病害叶片彩色图像，将获取的每幅原始作物病害叶片图像缩放为维数大小为64×64×3的彩色图像，组成训练集；对训练集中的每幅图像进行旋转操作、平移操作、尺寸变换操作以及噪声处理，将每幅病害叶片图像扩充为多幅新病害叶片图像；将得到多幅新病害叶片图像加入到训练集，得到扩充训练集；步骤2，构建多通道卷积神经网络模型，并利用步骤1得到的扩充训练集训练该模型；步骤3：将待识别叶片图像输入到步骤2中训练过的多通道卷积神经网络模型，进行分类得到病害叶片图像的识别结果。

【技术特征摘要】
1.一种基于卷积神经网络和多视频图像的作物病害识别方法，其特征在于，包括以下步骤：步骤1，利用农业物联网的视频设备每天从3个视角分别采集3幅作物病害叶片彩色图像，将获取的每幅原始作物病害叶片图像缩放为维数大小为64×64×3的彩色图像，组成训练集；对训练集中的每幅图像进行旋转操作、平移操作、尺寸变换操作以及噪声处理，将每幅病害叶片图像扩充为多幅新病害叶片图像；将得到多幅新病害叶片图像加入到训练集，得到扩充训练集；步骤2，构建多通道卷积神经网络模型，并利用步骤1得到的扩充训练集训练该模型；步骤3：将待识别叶片图像输入到步骤2中训练过的多通道卷积神经网络模型，进行分类得到病害叶片图像的识别结果。2.根据权利要求1所述的一种基于卷积神经网络和多视频图像的作物病害识别方法，其特征在于，旋转操作具体过程如下：设置多个预设角度，并根据各预设角度对训练集中的每幅图像进行旋转，得到多幅新病害叶片图像。3.根据权利要求1所述的一种基于卷积神经网络和多视频图像的作物病害识别方法，其特征在于，平移操作具体过程如下：设置预设像素个数，并根据预设像素个数对训练集中的每幅图像进行左右上下平移操作，得到多幅新病害叶片图像。4.根据权利要求1所述的一种基于卷积神经网络和多视频图像的作物病害识别方法，其特征在于，尺寸变换操作具体过程如下：设置预设剪裁像素个数，并根据预设剪裁像素个数对训练集中的每幅图像进行剪裁，得到多幅新病害叶片图像。5.根据权利要求1所述的一种基于卷积神经网络和多视频图像的作物病害识别方法，其特征在于，噪声处理具体过程如下：设置椒盐噪声以及高斯白噪声参数，并根据椒盐噪声以及高斯白噪声参数对训练集中的每幅图像中加入噪声，得到多幅新病害叶片图像。6.根据权利要求1所述的一种基于卷积神经网络和多视频图像的作物病害识别方法，其特征在于，将每幅新病害叶片图像经缩放为维数大小为64×64×3的彩色图像后加入到训练集，得到扩充训练集。7.根据权利要求1所述的一种基于卷积神经网络和多视频图像的作物病害识别方法，其特征在于，构建多通道卷积神经网络的具体过程包括：步骤2.1，多通道卷积神经网络由3个结构相同的卷积神经网络、一个特征融合层、一个全连接层、一个批标准化处理和一...

【专利技术属性】
技术研发人员：张善文，张晴晴，齐国红，
申请(专利权)人：郑州大学西亚斯国际学院，
类型：发明
国别省市：河南,41