一种基于深度学习的东北黑木耳病虫害图像识别系统技术方案

本发明专利技术公开的属于图像识别系统技术领域，具体为一种基于深度学习的东北黑木耳病虫害图像识别系统，包括摄像头模块、网络数据传输模块、电脑端、数据处理模块、深度学习图像识别模块、分类结果处理模块和输出模块，所述摄像头模块电性输出连接所述网络数据传输模块，所述网络数据传输模块电性输出连接所述电脑端，所述电脑端电性输出连接所述数据处理模块，所述数据处理模块电性输出连接所述网络数据传输模块，所述网络数据传输模块电性输出连接所述分类结果处理模块，所述分类结果处理模块电性输出连接所述输出模块，该发明专利技术能够获取更完整的木耳病虫害数据集，有效的避免模型的过拟合程度，使训练模型能具有更好的鲁棒性与良好的检测性能。

An image recognition system of black fungus diseases and insect pests in Northeast China based on deep learning

【技术实现步骤摘要】
一种基于深度学习的东北黑木耳病虫害图像识别系统
本专利技术涉及图像识别系统
，具体为一种基于深度学习的东北黑木耳病虫害图像识别系统。
技术介绍
传统的图像分类技术主要利用PC及嵌入式系统对输入的图像进行处理分析并选取能反映图像本质的特征，最后根据选取的特征将图像划分为若干类别中的某一类别。其中特征选择与提取以及分类器的选择在图像分类中至关重要。传统图像分类算法完全凭借设计者的主观意识针对特定的分类场景，提取分类对象的特征。人工选取的图像特征一般有颜色、纹理、形状、空间关系等特征。分类器利用现有特征数据训练分类函数或分类模型，输入待检测的图像的特征可以将其映射到数据库中某一类，完成图像分类。目前使用最广泛的的分类器有支持向量机(SVM)、决策树分类、贝叶斯分类器等。近年来，计算机视觉技术取得了巨大的进步，这主要得益于以深度学习为核心的人工智能技术的革命性发展。伴随着计算机硬件的不断进步和互联网时代积累的大量数据资源，使得神经网络可以训练并发挥其优势。与传统计算机视觉技术不同的是，基于深度学习的计算机视觉技术可以从大量的数据中自动的学习特征，具有强大的特征表示能力，能够带来更高的检测识别精度。东北黑木耳在大棚规模化栽培过程中，传统的病虫害的防治工作对每个大棚都采取大致相同的方式，但每个大棚由于木耳的涨势不同和周围环境因素的差异导致各个大棚之间的病虫害种类也有所不同，因此若采取同样的方式的话，会导致效率的低下，同时若采取人工对每个大棚进行病虫害识别的话太过耗时耗力。同时传统的计算机视觉技术需要人工设计特征，目标检测结果的好坏与特征提取算法直接相关，因此模型的拟合度会因所取特征的优劣而出现较大波动，不同的任务可能需要设计不同的特征提取算法以达到更优的识别效果。因此，本专利针对这一问题，设计了基于深度学习的东北黑木耳病虫害图像识别系统，与传统计算机视觉技术不同的是，基于深度学习的计算机视觉技术可以从大量的数据中自动的学习特征，具有强大的特征表示能力，能够带来更高的检测识别精度，算法复杂度低，识别率高，具有很强的使用性，可以有效的应用于日常生活中。同时工作人员只需在电脑端查看对每个大棚病虫害的识别结果，从而对不同的病虫害种类采取有效的针对性措施。如调控大棚的温度和水分的供应，有效的做好温度、水分、通气的调控，节省了人力物力的同时能够更有效率的选用农药，从而减少农药用量、避免木耳遭受重大损失。
技术实现思路
本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于现有中存在的问题，提出了本专利技术。因此，本专利技术的目的是提供一种基于深度学习的东北黑木耳病虫害图像识别系统，为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：一种基于深度学习的东北黑木耳病虫害图像识别系统，其包括摄像头模块、网络数据传输模块、电脑端、数据处理模块、深度学习图像识别模块、分类结果处理模块和输出模块，所述摄像头模块电性输出连接所述网络数据传输模块，所述网络数据传输模块电性输出连接所述电脑端，所述电脑端电性输出连接所述数据处理模块，所述数据处理模块电性输出连接所述网络数据传输模块，所述网络数据传输模块电性输出连接所述分类结果处理模块，所述分类结果处理模块电性输出连接所述输出模块。作为本专利技术所述的一种基于深度学习的东北黑木耳病虫害图像识别系统的一种优选方案，其中：所述摄像头模块用于采集害虫照片，并通过WiFi信号传输到所述网络数据传输模块。作为本专利技术所述的一种基于深度学习的东北黑木耳病虫害图像识别系统的一种优选方案，其中：所述输出模块利用显示器进行显示结果。作为本专利技术所述的一种基于深度学习的东北黑木耳病虫害图像识别系统的一种优选方案，其中：所述深度学习图像识别模块的深度学习模型的基本结构主要包括输入层、卷积层、池化层、全连接层和Softmax层。与现有技术相比，本专利技术的有益效果是：1、本专利结合东北的木耳大棚种植的实际情况增加了摄像头模块在大棚中的优化布点设置，从而尽可能的能够在充分考虑经济性、使用的便利性的条件下能够获取更完整的木耳病虫害数据集。2、本专利在特征提取上实现了自动化，避免了人工选择可能会产生的不全面和不准确的问题，并大幅简化了图片的预处理过程，在训练深度卷积神经网络的过程中，由于网络的深度相比传统神经网络大幅加深，参数数量也远高于传统神经网络，预测的效率和准确性更高。同时针对本专利木耳大棚的实际运用场景对深度学习图像识别模型搭建过程进行了优化的选取和调整，使其更注重于模型识别的时效性以及稳定性，同时对训练样本进行有针对性的扩充，从而使图片更符合木耳大棚中拍摄的图片，有效的避免模型的过拟合程度，使训练模型能具有更好的鲁棒性与良好的检测性能。3、本专利为了进一步提高模型的稳定性和准确率，增加了分类结果的后处理，在针对每个大棚识别结果输出时，本专利将一个大棚中一天各个时间端所有拍摄图片的分类识别结果进行分类数据统计，输出分类统计中最多的两类，然后第二天进行同样的图片拍摄和分类统计，对比第一天，从而确定分类出现最多的那个病虫害类别，作为最终这个木耳大棚病虫害的的分类结果。附图说明为了更清楚地说明本专利技术实施方式的技术方案，下面将结合附图和详细实施方式对本专利技术进行详细说明，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本专利技术的总体结构框图；图2为本专利技术模型的训练和应用具体实现过程流程图；图3为本专利技术模型的搭建和训练流程图；图4为本专利技术深度学习图像识别分类模型基本结构；图5为本专利技术模型进行木耳大棚病虫害识别应用的流程图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施方式的限制。其次，本专利技术结合示意图进行详细描述，在详述本专利技术实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的实施方式作进一步地详细描述。本专利技术提供如下技术方案：一种基于深度学习的东北黑木耳病虫害图像识别系统，请参阅图1，包括摄像头模块、网络数据传输模块、电脑端、数据处理模块、深度学习图像识别模块、分类结果处理模块和输出模块，所述摄像头模块电本文档来自技高网...

【技术保护点】
1.一种基于深度学习的东北黑木耳病虫害图像识别系统，其特征在于：包括摄像头模块、网络数据传输模块、电脑端、数据处理模块、深度学习图像识别模块、分类结果处理模块和输出模块，所述摄像头模块电性输出连接所述网络数据传输模块，所述网络数据传输模块电性输出连接所述电脑端，所述电脑端电性输出连接所述数据处理模块，所述数据处理模块电性输出连接所述网络数据传输模块，所述网络数据传输模块电性输出连接所述分类结果处理模块，所述分类结果处理模块电性输出连接所述输出模块。/n

【技术特征摘要】
1.一种基于深度学习的东北黑木耳病虫害图像识别系统，其特征在于：包括摄像头模块、网络数据传输模块、电脑端、数据处理模块、深度学习图像识别模块、分类结果处理模块和输出模块，所述摄像头模块电性输出连接所述网络数据传输模块，所述网络数据传输模块电性输出连接所述电脑端，所述电脑端电性输出连接所述数据处理模块，所述数据处理模块电性输出连接所述网络数据传输模块，所述网络数据传输模块电性输出连接所述分类结果处理模块，所述分类结果处理模块电性输出连接所述输出模块。


2.根据权利要求1所述...

【专利技术属性】
技术研发人员：姚永明，朱林，于沛然，高晓彬，孙天浩，程智博，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22