一种基于深度学习的植物病虫害识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的植物病虫害识别方法及系统，所述方法包括：(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)基于用户针对训练图像选择的图像预处理方式进行预处理；(3)将预处理后的图像按病虫害类别输入深度学习模型，该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(2)；(4)基于所有训练图像训练深度学习模型；(5)进行病虫害识别。本发明专利技术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，能够有效提高植物病虫害识别准确率。

A method and system of plant pest identification based on deep learning

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：(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。一个或多个实施例提供了一种基于深度学习的植物病虫害识别系统，包括：训练数据获取模块，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；训练数据预处理模块，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；训练数据扩充模块，将训练数据预处理模块输出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，输入训练数据预处理模块，直至训练图像数目满足设定阈值；病虫害识别模型训练模块，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；病虫害识别模块，基于所述病虫害识别模型进行病虫害识别。一个或多个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于深度学习的植物病虫害识别方法。一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于深度学习的植物病虫害识别方法。以上一个或多个技术方案存在以下有益效果：本专利技术针对病虫害图像的小数据集，采用图像增强和注意力机制相结合的方法对训练数据集进行扩充，具体地，一方面加入经增强后的图像，一方面将增强后的图像作为基于注意力机制的深度学习模型的输入，将模型中注意力机制阶段得到的结果进行可视化作为扩充数据，从而得到了较大且特征较丰富的新数据集，有利于提高植物病虫害识别的准确率。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为本专利技术一个或多个实施例中基于深度学习的植物病虫害识别方法的流程图；图2为本专利技术一个或多个实施例中基于注意力机制的深度学习模型的结构示意图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。实施例一本实施例公开了一种基于深度学习的植物病虫害识别方法，包括以下步骤：步骤1：接收各类植物病虫害图像数据，且每类均包含多幅。步骤2：对图像进行数据增强处理，基于上述图像获取植物病虫害局部图像，进行随机的图像预处理，所述图像预处理方法包括：图像变换(例如缩放、裁剪、旋转和翻转图像等)，和图像质量调整(例如亮度、对比度调节和模糊处理等)。所述步骤2具体包括：步骤2.1：对所有原始图像数据先是针对发病部位进行局部放大处理。步骤2.2：将经步骤2.1放大后的图像根据各类特点有针对的从前后左右随机倾斜、扭曲、随机剪切、裁剪、镜像翻转、高斯失真、调节亮度、调节对比度、旋转90度、旋转180度等增强处理中选取合适的方式进行操作，也可以选择多种方式联合操作。步骤2.3：去掉步骤2.2获取的数据集中的不包含植物病虫害特征或效果较差的图像，以此提高图像质量，同时得到较大数据集。步骤3：将步骤2获得的图像数据集进行预处理，转化为符合Keras深度学习模型要求格式的图像，例如224x224x3格式。步骤4：搭建包含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。本实施例中，上述深度学习模型基于keras模型构建。其中，残差注意力机制模型包括两个分支，其建立过程如下：(1)建立第一分支建立函数，包含残差连接结构，先是1*1卷积层，再是3*3卷积层，然后又是1*1卷积层，最后将输入到函数的图像与经上述卷积层处理后的图像通过keras内置add函数连接。多次调用上述函数，作为模型分支之一。(2)建立第二分支建立函数，对输入到函数图像多次先进行上采样处理，再进行下采样处理，作为模型分支之一。(3)先将步骤(1)与(2)所述两个分支得到的特征图通过keras内置函数multiply进行连接，再将第一分支所得特征图与multiply函数连接后的特征图通过keras内置函数add进行连接，得到残差注意力机制模型。步骤5：将步骤2所得数据按照植物病虫害本文档来自技高网...

【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