一种基于图像识别技术的茶叶病害识别系统及工作方法技术方案

本发明专利技术以解决茶叶生长周期中任意时间点发生病害，病害识别依靠经验或专家指导，防治效率低，无法及时找到防治途径的问题。本发明专利技术公开了一种基于图像识别技术的茶叶病害识别系统，其包括APP客户端、云平台和后端管理系统，所述后端管理系统包括图像识别模块和图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述茶叶病害图像数据库存放于云平台上，所述数据处理与分析模块以残差单元加速网络训练速度，采用残差神经网络自主学习并实现病害种类识别。

A tea disease recognition system and its working method based on image recognition technology

The invention solves the problem that the disease occurs at any time point in the growth cycle of tea, the disease identification relies on experience or expert guidance, the prevention and control efficiency is low, and the prevention and control way cannot be found in time. The invention discloses a tea disease recognition system based on image recognition technology, which includes app client, cloud platform and back-end management system. The back-end management system includes image recognition module and image acquisition module. The image acquisition module is connected with the image recognition module through wireless or wired transmission, and the image acquisition module is based on the mobile terminal The high-definition camera, the tea disease image database is stored on the cloud platform, the data processing and analysis module accelerates the network training speed with the residual unit, adopts the residual neural network to learn independently and realize the disease type recognition.

【技术实现步骤摘要】
一种基于图像识别技术的茶叶病害识别系统及工作方法
本专利技术涉及图像识别
，特别涉及一种基于图像识别技术的茶叶病害识别系统及工作方法。
技术介绍
茶叶在进行种植时常常会遇到病害，传统的依靠肉眼去识别茶叶病害种类的方法不仅费时费力，而且存在很大的误差，同时传统的茶叶病害识别需要专业的技术人员和技术设备，无法满足种植户的需求。目前借助数据图像处理技术是利用计算机数据处理的一种具体表现，是一种对数字图像进行自主运算和处理的一种手段。图像处理技术在茶叶特征即时识别方面具有可操作性，对于提升软件即时应用性具有现实意义，而现今缺少通过图像处理技术即时识别茶叶病害，向用户科普该茶叶病害特征信息的方法及系统。
技术实现思路
本专利技术的目的在于提供一种基于图像识别技术的茶叶病害识别系统及工作方法，以解决茶叶生长周期中任意时间点发生病害，病害识别依靠经验或专家指导，防治效率低，无法及时找到防治途径的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于图像识别技术的茶叶病害识别系统，包括APP客户端、云平台和后端管理系统，所述后端管理系统包括图像识别模块和多个图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述数据库训练图库设置于云平台上，所述数据库训练图库用于构建残差网络模型为基础，残差单元加速网络训练校验，获取训练素材，自主学习；所述图像采集模块用于获取生长时期的茶叶叶片病害图像，对图像描绘像素点的点集，自动调节容差度，获取精细的图像素材上报至图像处理模块；所述图像识别模块包括MXNet深度学习框架和残差神经网络和迭代器；所述图像识别模块用于上报后的数据压缩和分块打包，再经预定的映射关系解码分包上报至云平台，调用已经训练好的深度学习模型进行病害种类的识别，并给出病害防治措施。优选地，所述图像识别模块通过MXNet提供工具将任意大小的图像素材打包成至少一个压缩文件，以不同格式分类打包成块文件上报至由迭代器采用多线程解码数据，预读上报的压缩文件，通过训练好的深度学习模型对病害种类进行识别，生成识别结果。优选地，所述残差单元根据输入和输出维度是否匹配分为恒等残差模块和卷积残差模块，所述残差模块使用Relu函数进行非线性激活，输入x作为初始结果直接传输到输出；其中，残差映射关系为F(x)＝H(x)-x，H(x)为期望值。优选地，所述数据库训练图库初始化时，创建网络，创建训练器trainer，trainer保存参数及病害种类参数，加载病害种类以及已知病害的数据，采用batchsize进行参数更新；优选地，参数设置接入预测接口evaluate_accuracy类中，创建准确率Accuracy类acc，用于统计准确率和迭代输出批次的历史记录。优选地，所述网络构建为五个模块，第一模块为1个卷积层，第二模块为6个恒等层，第三模块为2个卷积层与4个恒等层构成，采用梯度下降算法进行运算，第四模块为2个卷积层和4个恒等层构成，所述第一模块至第四模块用于图像特征提取；模块五：1层全连接层，采用反向传播算法进行运算，用于上述四个模块已提取图片的特征经每个通道里的数值全局平均池化由全连接层合并输出。优选地，所述数据库训练图库中对获取的图像数据进行归一化处理，绘制每层输入的均值和方差的点值，绘制正确率曲线。本专利技术提供了一种基于图像识别技术的茶叶病害识别系统的工作方法，其特征在于，包括如下步骤：S1：图像采集模块获取图像，对图像进行处理，将图像缩放，且多个图像保持尺寸相同；S2：数据库训练图库构建将训练的图像数据归一化到[0,1]区间；S3：构建残差网络配置相关初始化参数以及加载已知茶叶病害数据，分类别进行图像标号；训练模型，进行分类的预测，绘制正确率曲线；S4：由图像采集模块采集样本图像，采集后上报至云平台，经过图像识别模块识别判定；S5:在云平台上调用已经训练好的模型对采集到的病害图像进行识别，得到病害种类相似度列表，提取列表中相似度最高的种类为识别结果并进行保存，用户可通过APP客户端查看当前病害图像识别结果。优选地，所述图像识别处理的具体过程为：S1：从训练样本库读取图像；S2：随机样本初始化，随机抽取样本通过数据归一化到[0,1]，尺寸大小统一化为32×32pixel，从而消除无用信息，简化识别难度，提高模型识别的性能；S3：判断输入、输出维度是否相等，若相等，则利用残差单元结构进行图像的处理，若不相等则需要在恒等映射下加入一层卷积层，把输入输出维度调整为相等；S4：初始化后的随机样本进行残差学习，在全连接层输出特征图，同时使用反向传播优化网络权值，判断输出是否达到期盼，若没达到预期结果再重复步骤S2；S5：若达到预期结果则结束优化，判断是否到达训练次数或者小于限定误差，达到或小于则完成残差网络模型的训练，否则重复步骤S2；S6：测试部分与训练部分的处理步骤一样，数据归一化到[0,1]，尺寸大小为32×32pixel，初始化后进行相同的处理，输出的图像放到训练好的网络模型进行检测识别，得到最终的分类结果。本专利技术的技术效果和优点：(1)在茶叶特征即时识别方面具有可操作性，加快对茶叶病害的识别，提高识别的效率。(2)残差单元与网络的多层结构提取特征，提高处理特征的提取处理准确性。(3)通过构架残差网络双算法提高识别效率及准确率。附图说明图1为本专利技术提供的系统结构图；图2为本专利技术提供的系统工作流程图；图3为本专利技术提供的残差单元结构图；图4为本专利技术提供的卷积残差模块图；图5为本专利技术提供的残差网络结构图；图6为本专利技术提供的模型识别流程图；图7为本专利技术提供的识别系统界面图。具体实施方式下面将结合附图对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1-7所示，本实施例提供了一种基于图像识别技术的茶叶病害识别系统，包括APP客户端、云平台和后端管理系统，所述后端管理系统包括图像识别模块和多个图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述数据库训练图库设置于云平台上，所述数据库训练图库用于构建残差网络模型为基础，残差单元加速网络训练校验，获取训练素材，自主学习；所述图像采集模块用于获取生长时期的茶叶叶片病害图像，对图像描绘像素点的点集，自动调节容差度，获取精细的图像素材上报至图像处理模块；所述图像识别模块包括MXNet深度学习框架和残差神经网络和迭代器；所述图像识别本文档来自技高网...

【技术保护点】
1.一种基于图像识别技术的茶叶病害识别系统，包括APP客户端、云平台和后端管理系统，其特征在于：所述后端管理系统包括图像识别模块和多个图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述数据库训练图库设置于云平台上，所述数据库训练图库用于构建残差网络模型为基础，残差单元加速网络训练校验，获取训练素材，自主学习；/n所述图像采集模块用于获取生长时期的茶叶叶片病害图像，对图像描绘像素点的点集，自动调节容差度，获取精细的图像素材上报至图像处理模块；/n所述图像识别模块包括MXNet深度学习框架和残差神经网络和迭代器；所述图像识别模块用于上报后的数据压缩和分块打包，再经预定的映射关系解码分包上报至云平台，调用已经训练好的深度学习模型进行病害种类的识别，并给出病害防治措施。/n

【技术特征摘要】
1.一种基于图像识别技术的茶叶病害识别系统，包括APP客户端、云平台和后端管理系统，其特征在于：所述后端管理系统包括图像识别模块和多个图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述数据库训练图库设置于云平台上，所述数据库训练图库用于构建残差网络模型为基础，残差单元加速网络训练校验，获取训练素材，自主学习；
所述图像采集模块用于获取生长时期的茶叶叶片病害图像，对图像描绘像素点的点集，自动调节容差度，获取精细的图像素材上报至图像处理模块；
所述图像识别模块包括MXNet深度学习框架和残差神经网络和迭代器；所述图像识别模块用于上报后的数据压缩和分块打包，再经预定的映射关系解码分包上报至云平台，调用已经训练好的深度学习模型进行病害种类的识别，并给出病害防治措施。


2.根据权利要求1所述的一种基于图像识别技术的茶叶病害识别系统，其特征在于：所述图像识别模块通过MXNet提供工具将任意大小的图像素材打包成至少一个压缩文件，以不同格式分类打包成块文件上报至由迭代器采用多线程解码数据，预读上报的压缩文件，通过训练好的深度学习模型对病害种类进行识别，生成识别结果。


3.根据权利要求1所述的一种基于图像识别技术的茶叶病害识别系统，其特征在于：所述残差单元根据输入和输出维度是否匹配分为恒等残差模块和卷积残差模块，所述残差模块使用Relu函数进行非线性激活，输入x作为初始结果直接传输到输出；其中，残差映射关系为F(x)＝H(x)-x，H(x)为期望值。


4.根据权利要求3所述的一种基于图像识别技术的茶叶病害识别系统，其特征在于：所述数据库训练图库初始化时，创建网络，创建训练器trainer，trainer保存参数及病害种类参数，加载病害种类以及已知病害的数据，采用batchsize进行参数更新；
参数设置接入预测接口evaluate_accuracy类中，创建准确率Accuracy类acc，用于统计准确率和迭代输出批次的历史记录。


5.根据权利要求4所述的一种基于图像识别技术的茶叶病害识别系统，其特征在于：所述网络构建为五个模块，
第一模块为1个卷积层，
第二模块为6个恒等层，
第三模块为2个卷积层与4个恒等层构成，采用梯度下降算法进行运算，
第四模块为2个卷积层和...

【专利技术属性】
技术研发人员：董建娥，秦明明，苗晟，谢裕睿，刘磊仙，吴秋香，郑嘉文，
申请(专利权)人：西南林业大学，
类型：发明
国别省市：云南;53