一种基于CNN-BP神经网络算法水稻病虫害识别方法技术

本发明专利技术的目的是提出一种基于CNN‑BP神经网络算法水稻病虫害识别方法，本发明专利技术拟通过构建CNN‑LeNet5模型，即网络结构为输入层、卷积层、池化层、卷积层、池化层、全连接层、全连接层、输出层构成。首先对图像逐渐提取特征，最后提取得到水稻病虫害高级图像特征。完成特征提取后将网络结构的最后一层softmax分类层去掉，用BP模型来替代。通过CNN自动的特征提取结合BP神经网络分类模型来实现水稻病虫害图像的自动识别。

A method of rice pest identification based on cnn-bp neural network

【技术实现步骤摘要】
一种基于CNN-BP神经网络算法水稻病虫害识别方法
本专利技术涉及水稻病虫害识别分类领域，特别设计基于CNN-BP神经网络算法水稻病虫害识别方法。
技术介绍
水稻是我国广泛种植的粮食作物，提高水稻产量和品质对我国的经济发展有着至关重要的地位。水稻在生长的过程中会出现多种害虫和病害为害，传统的水稻病虫害调查方法主要包括灯诱水稻害虫人工识别与计数、人工田间调查害虫识别与计数、人工田间调查病害和害虫为害状诊断等方法。依靠人工识别、计数与诊断在田间调查任务重、效率低、非实时性等问题。随着计算机视觉和图像处理技术成熟发展，利用图像实现水稻病虫害的自动识别与诊断成为了可能。水稻病虫害智能识别是一种利用成像系统经由计算机完成处理和解释任务的技术手段，能够实现对水稻病虫害图像分割、特征值提取以及水稻病虫害自动识别。目前国内外研究人员研究害虫识别方法是通过寻找害虫图像的纹理、形状、颜色等特征来建立用于识别的特征数据库。例如，2008年，NataliaLarios使用局部特征对石蝇图像进行分类；208年，李文斌使用颜色特征、形状特征、纹理特征结合PCA的方式对水稻病虫害进行识别。然而提取的纹理、形状、颜色特征属于浅层特征，这些特征容易受到旋转、平移、光亮程度的影响，制约害虫图像的识别。卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，在结构上主要由输入层、卷积层、池化层、非线性激活层和全连接层等模块组成，有着层次化的学习方式，在学习阶段通过反向传播算法进行参数优化，自适应地学习图像浅层。CNN具有主动特征学习的特点，同时具有很强的表达能力和泛化能力，通过利用CNN能够提取到高级的图像特征。CNN通过多层的卷积网络，从原始图像中逐渐地提取每一级别的图像特征，由一开始纹理、颜色、形状等浅层特征然后逐渐提取到浅层特征中的高级特征。相比浅层特征，CNN提取的高级特征拥有更高的鲁棒性和可识别性。BP(backpropagation)神经网络是一种模拟生物大脑神经系统建立的一种数学模型，能够有效识别复杂系统输入向量和输出向量之间的非线性映射关系，特别适用于解决输出受较多输入因素影响，且这种影响关系不明确的建模问题。BP神经网络有着很强的泛化能力、非线性映射能力和自适应能力，能够有效地对样本进行分类和预测。然而BP神经网络对样本特征有着较高的依赖性，对识别性高的特征有着较高的识别率。因此结合CNN与BP神经网络算法可实现水稻病虫害识别。
技术实现思路
为了解决上述存在问题。本专利技术提供基于CNN-BP神经网络算法水稻病虫害识别方法，利用CNN很强的表达能力和泛化能力，通过CNN提取到水稻病虫害图像的高级图像特征，结合BP神经网络算法，实现全过程自动化地识别水稻病虫害类别任务。为达此目的：本专利技术提供基于CNN-BP神经网络水稻病虫害识别方法，具体步骤如下,步骤1：将采集到的水稻病虫害图像分类建立数据集，并建立水稻病虫害图像类别，即为每一幅水稻病虫害图像人工标注类别，为后续训练CNN网络模型和BP神经网络做准备；步骤2：构建CNN-LeNet5模型。输入层结构为512*512*3，两层卷积层的结构为512*512*24和256*256*64，池化层选择最大池化方式，两层全连接层为1*1*64到120和120到8；步骤3：训练CNN模型。输入训练样本图像及图像类别到CNN模型中，来使得softmax层来计算损失误差，通过不断减小误差从而调整CNN卷积层模板参数，训练得到最佳的CNN模型；步骤4：提取训练样本8个高级特征。去掉CNN模型中的softmax层，再将训练样本图像输入到训练完成的CNN模型中，CNN模型通过全连接层120*8输出训练样本的8个高级特征；步骤5：构造三层BP神经网络模型，将8个高级特征作为网络输入，将稻纵卷叶螟成虫、稻纵卷叶螟幼虫、稻纵卷叶螟蛹、稻纵卷叶螟卵、二化螟成虫、二化螟幼虫、二化螟蛹、二化螟卵8类水稻病虫害的标签作为网络输出，隐含层节点数设为11层；步骤6：训练BP神经网络模型。将训练样本图像的8个高级特征用于训练BP神经网络模型；步骤7：提取测试样本8个高级特征。将测试样本图像输入到训练完成的CNN模型中，CNN模型通过全连接层120*8输出测试样本的8个高级特征；步骤8：输出分类结果。将测试样本的8个高级特征输入到训练完成的BP神经网络中，并输出测试图像的分类结果。作为本专利技术进一步改进，所述步骤五中BP神经网络函数设置如下：隐含层、输出层传递函数分别设置为‘logsig’函数、‘tangsig’函数，训练函数为‘trainlm’函数，学习函数为‘learngd’函数。作为本专利技术进一步改进，所述步骤三中softmax的计算公式入下：其中n个数值表示的分类Sk，k∈(0,n]，i表示k中的某个分类，gi表示该分类的值，P(Sk)为该分类的概率。作为本专利技术进一步改进，所述步骤五中BP神经网络隐含层计算公式如下：m表示隐含层神经元节点数，n表示输入层节点数，l表示输出层节点数。本专利技术提供基于CNN-BP神经网络算法的水稻病虫害识别方法，具体设计如下：1、本专利技术利用CNN主动特征学习，具有很强的特征表达能力和泛化能力的特点，利用CNN提取水稻病虫害图像的高级特征。CNN提取的特征鲁棒性更强，泛化能力能强，能够更好的表征不同类别的图像。2、设计了提取水稻病虫害特征的CNN-LeNet5模型，输入层结构为512*512*3，两层卷积层的结构为512*512*24和256*256*64，池化层选择最大池化方式，两层全连接层为1*1*64到120和120到8。3、设计了对水稻病虫害进行分类的BP神经网络模型，该模型为三层结构，输入层节点数是8，隐含层节点数是11，输出层节点数是8，隐含层、输出层传递函数分别设置为‘logsig’函数、‘tangsig’函数，训练函数为‘trainlm’函数，学习函数为‘learngd’函数。4、本专利技术采用BP神经网络算法来替代CNN中的softmax层以实现数学分类算法模型的全程自动化。5、CNN提取图像特征时不需要预先对图像做繁琐的预处理工作，CNN提取的特征可以自动地克服一定的噪声干扰。6、本专利技术CNN-BP神经网络算法模型大大提高了水稻病虫害识别的准确率，提高了识别过程中的鲁棒性，在工程上具有应用的意义。5、本专利技术所提出的CNN-BP神经网络算法模型可以实现水稻病虫害的自动识别，为后续的水稻病虫害治理等智慧农业科技奠定坚实的核心技术。附图说明图1是本专利技术整体算法原理流程图；图2是本专利技术中采用的CNN模型结构；图3是BP神经网络模型结构。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细描述：本专利技术提供基于CNN-BP神经网络算法水稻病虫害识别方法本文档来自技高网...

【技术保护点】
1.基于CNN-BP神经网络算法水稻病虫害识别方法，具体步骤如下，其特征在于,/n步骤1：将采集到的水稻病虫害图像分类建立数据集，并建立水稻病虫害图像类别，即为每一幅水稻病虫害图像人工标注类别，为后续训练CNN网络模型和BP神经网络做准备；/n步骤2：构建CNN-LeNet5模型，输入层结构为512*512*3，两层卷积层的结构为512*512*24和256*256*64，池化层选择最大池化方式，两层全连接层为1*1*64到120和120到8；/n步骤3：训练CNN模型，输入训练样本图像及图像类别到CNN模型中，来使得softmax层来计算损失误差，通过不断减小误差从而调整CNN卷积层模板参数，训练得到最佳的CNN模型；/n步骤4：提取训练样本8个高级特征，去掉CNN模型中的softmax层，再将训练样本图像输入到训练完成的CNN模型中，CNN模型通过全连接层120*8输出训练样本的8个高级特征；/n步骤5：构造三层BP神经网络模型，将8个高级特征作为网络输入，将稻纵卷叶螟成虫、稻纵卷叶螟幼虫、稻纵卷叶螟蛹、稻纵卷叶螟卵、二化螟成虫、二化螟幼虫、二化螟蛹、二化螟卵8类水稻病虫害的标签作为网络输出，隐含层节点数设为11层；/n步骤6：训练BP神经网络模型，将训练样本图像的8个高级特征用于训练BP神经网络模型；/n步骤7：提取测试样本8个高级特征，将测试样本图像输入到训练完成的CNN模型中，CNN模型通过全连接层120*8输出测试样本的8个高级特征；/n步骤8：输出分类结果，将测试样本的8个高级特征输入到训练完成的BP神经网络中，并输出测试图像的分类结果。/n...

【技术特征摘要】
1.基于CNN-BP神经网络算法水稻病虫害识别方法，具体步骤如下，其特征在于,
步骤1：将采集到的水稻病虫害图像分类建立数据集，并建立水稻病虫害图像类别，即为每一幅水稻病虫害图像人工标注类别，为后续训练CNN网络模型和BP神经网络做准备；
步骤2：构建CNN-LeNet5模型，输入层结构为512*512*3，两层卷积层的结构为512*512*24和256*256*64，池化层选择最大池化方式，两层全连接层为1*1*64到120和120到8；
步骤3：训练CNN模型，输入训练样本图像及图像类别到CNN模型中，来使得softmax层来计算损失误差，通过不断减小误差从而调整CNN卷积层模板参数，训练得到最佳的CNN模型；
步骤4：提取训练样本8个高级特征，去掉CNN模型中的softmax层，再将训练样本图像输入到训练完成的CNN模型中，CNN模型通过全连接层120*8输出训练样本的8个高级特征；
步骤5：构造三层BP神经网络模型，将8个高级特征作为网络输入，将稻纵卷叶螟成虫、稻纵卷叶螟幼虫、稻纵卷叶螟蛹、稻纵卷叶螟卵、二化螟成虫、二化螟幼虫、二化螟蛹、二化螟卵8类水稻病虫害的标签作为网络输出，隐含层节点数设为11层；
步骤6：训练BP神经网络模型，将训练样本图像的8个高...

【专利技术属性】
技术研发人员：江煜，杨忠，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：江苏;32