基于分层深度卷积神经网络的冬枣病害识别方法技术

本发明专利技术涉及一种基于分层深度卷积神经网络的冬枣病害识别方法，包括如下步骤：对冬枣病害图像进行预处理得到病斑图像；将预处理后的病斑图像的三个颜色分量分别输入三个分层DCNN；对每个分层DCNN进行训练；建立每个分层DCNN的全连接层，将全连接层的神经元与上一层的所有神经元连接；由三个分层DCNN得到病斑图像的三个分量图像的分类特征，采用SVM分类器对病害图像进行分类。本发明专利技术采用深度卷积神经网络得到原始样本的自然特性，直接将叶片图像样本作为训练集，能够自动地从冬枣病害图像中学习到有效的特征，省去了从叶片图像中提取分类特征的过程，有效地解决了经典植物分类算法提取和选择分类特征难题。

【技术实现步骤摘要】
基于分层深度卷积神经网络的冬枣病害识别方法
本专利技术属于计算机图像处理
，尤其是一种基于分层深度卷积神经网络的冬枣病害识别方法。
技术介绍
冬枣通常在大棚温室内种植，大棚内具有温度高、湿度大等特点，为冬枣病害发生和蔓延提供了合适的环境条件，其病害种类多、发生频繁，防治难度大。因为大部分果农缺乏病害的实时信息和科学防治指导，所以不管自己的果树有病无病或需要不需要，在一年四季定期给枣树喷洒20余种不同农药，特别是一些果农加大量、更多次喷洒农药，以确保果树绝对不会发生病害。这样做的确能够快速、有效地预防枣树病害，但导致农药残余过量和环境污染等严重问题。尽管冬枣病害检测和诊断方法很多，而且很多方法都是以图谱和文字形式相结合详细介绍如何防治冬枣病虫害，但这些方法都是依靠人工肉眼观察、对比的方式判别和诊断病害发生和病害类型，特别是不同大棚的冬枣的生长环境差异较大，以及各个大棚内冬枣病害的表现形式复杂多变，所以很多果农很难正确利用这些方法进行病害检测和类型诊断。目前有很多基于作物病害(叶片或果实)图像的作物病害智能识别方法，大部分方法都是从作物病害图像中提取人为设置的分类特征，然后根据提取本文档来自技高网...

【技术保护点】
1.一种基于分层深度卷积神经网络的冬枣病害识别方法，其特征在于包括以下步骤：步骤1、对冬枣病害图像进行预处理得到病斑图像；步骤2、将预处理后的病斑图像的三个颜色分量分别输入三个分层DCNN；步骤3、对每个分层DCNN进行训练；步骤4、建立每个分层DCNN的全连接层，将全连接层的神经元与上一层的所有神经元连接；步骤5、由三个分层DCNN得到病斑图像的三个分量图像的分类特征，采用SVM分类器对病害图像进行分类。

【技术特征摘要】
1.一种基于分层深度卷积神经网络的冬枣病害识别方法，其特征在于包括以下步骤：步骤1、对冬枣病害图像进行预处理得到病斑图像；步骤2、将预处理后的病斑图像的三个颜色分量分别输入三个分层DCNN；步骤3、对每个分层DCNN进行训练；步骤4、建立每个分层DCNN的全连接层，将全连接层的神经元与上一层的所有神经元连接；步骤5、由三个分层DCNN得到病斑图像的三个分量图像的分类特征，采用SVM分类器对病害图像进行分类。2.根据权利要求1所述的基于分层深度卷积神经网络的冬枣病害识别方法，其特征在于：所述步骤1的处理方法为：采用视觉显著性算法对冬枣病害图像进行多个特征通道和多尺度的分解，再进行滤波得到特征图，对特征图进行融合，生成视觉显著图；确定显著图区域的中心并以此为中心，在原始病害图像中截取一个矩形区域，再利用K-均值聚类法对显著性区域进行聚类，得到病斑图像。3.根据权利要求1所述的基于分层深度卷积神经网络的冬枣病害识别方法，其特征在于：所述步骤3的处理方法为：在目标函数越接近最优值时采用比前面小的学习率进行训练；利用反向传递计算梯度，优化分层DCNN的参数，获取更优分类特征；选择非线性的ReLU函数为激活函数，对卷积神经层后的数据进行训练；采用批量正则化方法，将每一层的概率分布转换...

【专利技术属性】
技术研发人员：张传雷，武大硕，李建荣，张善文，于洋，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：天津,12