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 ...
【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
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。