The invention relates to a crop disease detection algorithm based on in-depth learning, which includes: (1) acquiring training set and test set and image preprocessing of training set; (2) inputting training set into a model with adaptive multi-scale for training. The model connects two global pooling layers, uses transfer learning with differential learning rate and uses Focal loss as loss. Loss of function; (3) Input the test set image into the trained detection model to predict the disease type of the image. Compared with other algorithms, the method of the present invention improves detection performance and generalization ability by using transfer learning of differential learning rate, while linking two global pooling layers makes the model retain more detail information and have size adaptability, speeds up model convergence by progressive learning strategy and alleviates class imbalance by using Focal loss. The algorithm can treat similar diseases. Harm has better detection performance.
【技术实现步骤摘要】
一种基于深度学习的农作物病害检测算法
本专利技术涉及图像分类领域,具体涉及了一种基于深度学习的农作物病害检测算法。
技术介绍
早先的图像分类主要通过传统的机器学习的方法,通常分为两个部分:基于特征提取方法和基于模板匹配的方法,这些方法都需要人为地选择特征,同时泛化性不强。随着深度学习的发展,特别是卷积神经网络在图像分类、图像检测和图像分割等方面的应用,所取得的效果是过往使用传统算法无法比拟的。农作物病害诊断对于农业生产来说是至关重要的,通过智能化的手段对病害种类进行检测能够提高农民对病害的认识以及采用相应的措施进行防治,提高农业生产。
技术实现思路
农作物病害存在着类别间数量不平衡的问题以及个别病害间过于相似的问题,为了解决这些难题,本专利技术提出了一种基于深度学习的农作物病害检测算法。为了实现以上目的,本专利技术提出的方法具体步骤如下:(1)图像采集,利用摄像头对农作物叶子进行拍摄,获取相关的数据集并对图像重命名,如1.jpg,2.jpg,3.jpg,…,M.jpg等,同时标定每张图像中农作物病害种类;(2)图像划分,将图像划分成训练集和测试集两部分,两个部分不存在相同的图像,训练集用来训练农作物病害检测模型,测试集用来评估农作物病害检测模型的性能;(3)图像预处理,统计各类图像的数量并对数量较少的图像进行过采样,对全部图像都进行线上数据增强,包括随机灰度化、左右翻转、上下翻转、对角线翻转、随机裁剪和亮度变化;(4)训练检测模型,将经过图像预处理后的训练集图像通过有差异性学习速率的迁移学习和以FocalLoss为损失函数的自适应多尺度resnet50网络,对 ...
【技术保护点】
1.一种基于深度学习的农作物病害检测算法,其特征在于,包括如下步骤:(1)图像采集,利用摄像头对农作物叶子进行拍摄,获取相关的数据集并对图像重命名,如1.jpg,2.jpg,3.jpg,…,M.jpg等,同时标定每张图像中农作物病害种类;(2)图像划分,将图像划分成训练集和测试集两部分,两个部分不存在相同的图像,训练集用来训练农作物病害检测模型,测试集用来评估农作物病害检测模型的性能;(3)图像预处理,统计各类图像的数量并对数量较少的图像进行过采样,对全部图像都进行线上数据增强,包括随机灰度化、左右翻转、上下翻转、对角线翻转、随机裁剪和亮度变化;(4)训练检测模型,将经过图像预处理后的训练集图像通过有差异性学习速率的迁移学习和以Focal Loss为损失函数的自适应多尺度resnet50网络,对得到的预测结果与真实标签进行对比计算分类损失,通过带动量的梯度下降算法更新模型参数;(5)农作物病害图像检测,将测试集中的图像输入到训练好的农作物病害检测模型中,通过前向传播得到该图像的农作物病害类型。
【技术特征摘要】
1.一种基于深度学习的农作物病害检测算法,其特征在于,包括如下步骤:(1)图像采集,利用摄像头对农作物叶子进行拍摄,获取相关的数据集并对图像重命名,如1.jpg,2.jpg,3.jpg,…,M.jpg等,同时标定每张图像中农作物病害种类;(2)图像划分,将图像划分成训练集和测试集两部分,两个部分不存在相同的图像,训练集用来训练农作物病害检测模型,测试集用来评估农作物病害检测模型的性能;(3)图像预处理,统计各类图像的数量并对数量较少的图像进行过采样,对全部图像都进行线上数据增强,包括随机灰度化、左右翻转、上下翻转、对角线翻转、随机裁剪和亮度变化;(4)训练检测模型,将经过图像预处理后的训练集图像通过有差异性学习速率的迁移学习和以FocalLoss为损失函数的自适应多尺度resnet50网络,对得到的预测结果与真实标签进行对比计算分类损失,通过带动量的梯度下降算法更新模型参数;(5)农作物病害图像检测,将测试集中的图像输入到训练好的农作物病害检测模型中,通过前向传播得到该图像的农作物病害类型。2.根据权利要求1所述的一种基于深度学习的农作物病害检测算法,其特征是:所述步骤(4)中训练包括有差异性学习速率的迁移学习步骤、连结全局最大池化和全局平均池化的步骤、自适应多尺度图...
【专利技术属性】
技术研发人员:陈楚城,张灵敏,戴宪华,
申请(专利权)人:中山大学,
类型:发明
国别省市:广东,44
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。