The invention discloses a plant pest recognition method and system based on deep learning, the method includes: (1) receiving the original training image, the original training image includes all kinds of plant pest image data; (2) preprocessing based on the image preprocessing method selected by the user for the training image; (3) inputting the preprocessed image into deep learning according to the pest category Model, the deep learning model includes convolution layer, residual attention mechanism model and full connection layer; the output of the residual attention mechanism model is visualized as a new training image and returned to (2); (4) the deep learning model is trained based on all training images; (5) the disease and pest identification is carried out. The invention can effectively improve the recognition accuracy of plant diseases and insect pests through targeted enhancement and expansion of small data sets by using the method of combining data enhancement and attention mechanism.
【技术实现步骤摘要】
一种基于深度学习的植物病虫害识别方法及系统
本专利技术涉及计算机视觉
,尤其涉及一种基于深度学习的植物病虫害识别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息,不必然构成在先技术。自古以来我国是农业大国,目前随着我国对粮食需求越来越大,农业规模正不断扩大,但植物病虫害治理不足的一面愈加显露出来,据统计,近几年我国病虫害年均发生几十亿亩次,每年都会造成几千万吨粮食的损失。造成这样巨大随时的一方面便是无法对植物病虫害进行准确分辨,从而及时治理避免随时,因此,如何快速有效识别植物病虫害显得极为重要。目前,深度学习在计算机视觉分类领域的应用发展迅速,并且经取得了很好的进展。其在图像识别等复杂领域相较于传统分类识别算法应用更灵活、多目标分类能力更强。但是目前为了提高深度学模型准确率需要大量数据集,但专利技术人发现,在植物病虫害方面,数据集的获取途径有限并且获取的数据量较小,无法满足模型训练要求,这便对极小数据集下的植物病虫害深度学习模型训练带来了极大的困难。
技术实现思路
为克服上述现有技术的不足,本专利技术提供了一种基于深度学习的植物病虫害识别方法及系统,所述方法通过使用数据增强与注意力机制相结合的方法对小数据集进行针对性的增强和扩充处理,并通过包含注意力机制的深度学习模型进行训练,能够有效提高植物病虫害识别准确率。为实现上述目的,本专利技术的一个或多个实施例提供了如下技术方案:一种基于深度学习的植物病虫害识别方法,包括以下步骤:( ...
【技术保护点】
1.一种基于深度学习的植物病虫害识别方法,其特征在于,包括以下步骤:/n(1)接收原始训练图像,所述原始训练图像中包括各类植物病虫害图像数据;/n(2)接收用户针对训练图像选择的图像预处理方式,进行图像预处理;/n(3)将预处理后的图像按病虫害类别输入预构建的基于注意力机制的深度学习模型,所述深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层;将残差注意力机制模型的输出进行可视化,作为新的训练图像,返回步骤(2),直至训练图像数目满足设定阈值;/n(4)将所有训练图像作为所述深度学习模型的输入,训练得到病虫害识别模型;/n(5)基于所述病虫害识别模型进行病虫害识别。/n
【技术特征摘要】
1.一种基于深度学习的植物病虫害识别方法,其特征在于,包括以下步骤:
(1)接收原始训练图像,所述原始训练图像中包括各类植物病虫害图像数据;
(2)接收用户针对训练图像选择的图像预处理方式,进行图像预处理;
(3)将预处理后的图像按病虫害类别输入预构建的基于注意力机制的深度学习模型,所述深度学习模型包括依次连接的卷积层、残差注意力机制模型和全连接层;将残差注意力机制模型的输出进行可视化,作为新的训练图像,返回步骤(2),直至训练图像数目满足设定阈值;
(4)将所有训练图像作为所述深度学习模型的输入,训练得到病虫害识别模型;
(5)基于所述病虫害识别模型进行病虫害识别。
2.如权利要求1所述的基于深度学习的植物病虫害识别方法,其特征在于,所述步骤(2)进行图像预处理后,还接收用户针对训练图像的筛选。
3.如权利要求1或2所述的基于深度学习的植物病虫害识别方法,其特征在于,所述图像预处理方法包括:图像大小和方向的变换,以及图像质量的调整。
4.如权利要求1所述的基于深度学习的植物病虫害识别方法,其特征在于,所述深度学习模型基于keras模型构建。
5.如权利要求4所述的基于深度学习的植物病虫害识别方法,其特征在于,所述残差注意力机制模型包括两个通过keras内置函数连接的分支,所述两个分支包括:
第一分支:包括多个依次连接的残差连接结构,每个残差连接结构均将输入图像依次经过1×1、3×3和1×1卷积层进行处理,然后将输入图像和卷积处理后的图像通过k...
【专利技术属性】
技术研发人员:孙晓勇,韩金玉,魏庆功,吴澍辰,
申请(专利权)人:山东农业大学,
类型:发明
国别省市:山东;37
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。