基于多特征融合和卷积神经网络的苹果叶部病害识别方法技术

本发明专利技术公开了一种基于多特征融合和卷积神经网络的苹果叶部病害识别方法，首先利用多特征融合方法对原始图像进行降噪和分割；然后将分割后的图像作为卷积神经网络的原始数据集，并通过数据扩充的方式对原始数据集进行扩充，最后利用扩充后的数据集对网络模型进行训练，并使用梯度下降法优化模型权重参数。采用本发明专利技术中的方法对苹果叶部病害进行识别时，无需进行手工标注，能够在复杂背景下对苹果叶部病虫害图像进行准确识别，准确率达到97.05％，识别时间为2.7s，有效解决苹果叶部病害的自动识别问题。

【技术实现步骤摘要】
基于多特征融合和卷积神经网络的苹果叶部病害识别方法
本专利技术涉及苹果叶部病害识别方法领域，尤其涉及基于多特征融合和卷积神经网络的苹果叶部病害识别方法。
技术介绍
病害是影响苹果生长的重要因素之一，少数果树上发生病害可能会传染整个果园，严重影响苹果的产量与质量。苹果叶部是病害的高发部位，对叶部病害的识别是果树栽培过程中的关键技术。精准识别苹果叶部病害，对果树生长过程中病害防治具有指导意义。传统的苹果叶部病害识别主要依靠人工，这种方式费时费力且具有较大主观性，不适用于现代化农业的管理。随着计算机视觉和模式识别技术的发展，研究人员利用机器视觉的方法在病害识别上做出了许多研究。如马浚诚等利用马尔科夫条件随机场与基于径向基函数的SVM分类器结合实现对黄瓜病虫害的识别。张建华等以棉花病害作为研究对象，首先提取图像的颜色特征和纹理特征，然后结合粗糙集和神经网络在三种不同的棉花病害上得到较好的识别效果。秦立峰等利用主成分分析将病害高维特征降到多个不同低维子空间，在子空间上训练BP神经网络，完成对五种不同黄瓜病害的识别任务。田凯等在茄子褐纹病的识别中通本文档来自技高网...

【技术保护点】
1.基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于：包括以下步骤：/nS1：利用多特征融合的方法对苹果叶部图像进行分割预处理；/nS2：利用分割预处理后的苹果叶部图像数据构建苹果叶部病害识别卷积神经网络模型；/nS3：对卷积神经网络模型进行网络模型训练；/nS4：根据卷积神经网络模型的最终输出结果，识别苹果叶部的病害类别。/n

【技术特征摘要】
1.基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于：包括以下步骤：
S1：利用多特征融合的方法对苹果叶部图像进行分割预处理；
S2：利用分割预处理后的苹果叶部图像数据构建苹果叶部病害识别卷积神经网络模型；
S3：对卷积神经网络模型进行网络模型训练；
S4：根据卷积神经网络模型的最终输出结果，识别苹果叶部的病害类别。


2.根据权利要求1所述的基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于，步骤S1中所述图像分割预处理具体步骤包括：
S11：获取原始图像的RGB特征，运用超绿特征计算公式提取超绿特征；所述超绿特征计算公式为IExB＝2IG-IB-IR，式中IG，IB，IR为RGB颜色空间中3个颜色分量；
S12：将原始图像从RGB颜色空间分别转换到HSV颜色空间和CIELAB颜色空间，分别提取转换后图像的H分量颜色特征和L分量颜色特征；
S13：使用高斯差分滤波和圆形均值滤波分别对超绿、H分量和L分量三个颜色分量进行二维卷积操作，将经过滤波后的颜色特征组合成融合特征，融合计算公式为MMF＝(Gf*IH)+(Af*IL)+IExB，式中，Gf为高斯滤波，Af为均值滤波，MMF为融合后的特征；
S14：对融合后的特征图像使用最大类间方差法进行图像分割，并通过形态学处理对分割结果进行优化，使用原图像与优化后的图像进行掩膜操作得到最终分割结果。


3.根据权利要求1所述的基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于，步骤S14的具体操作步骤包括，
S141：将步骤S13中经过多特征融合的苹果叶部图像统一缩放为125×125×3的三通道RGB彩色图像；
S142：将三通道RGB彩色图像等分为左上、右上、左下、右下四个区域，并在输入图像中裁剪一个中心区域，其中，中心区域与三通道RGB彩色图像同中心，并在水平、垂直方向上各截取1/2的区域，共得到5幅大小为原图的1/4的子图像；
S143：利用双线性插值法对5个子图像进行插值，等比例放大4倍；
S144：将分割后的灰度图像转换为彩色图像，也即进行掩膜操作。


4.根据权利要求1所述的基于多特征融合和卷积神经网络的苹果叶部病害识别方法，其特征在于，步骤S2中所述的苹果叶部病害识别卷积神经网络模型包括13个卷积层、4个池化层...

【专利技术属性】
技术研发人员：李丹，
申请(专利权)人：陕西工业职业技术学院，
类型：发明
国别省市：陕西;61