基于深度学习的柑橘红蜘蛛虫害的识别方法技术

本发明专利技术涉及农作物病虫害识别领域，公开了一种基于深度学习的柑橘红蜘蛛虫害的识别方法，包括：采集柑橘红蜘蛛虫害图像，并对柑橘红蜘蛛虫害图像进行预处理；对图像数据进行数据标签标定，制作深度学习数据集；将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型；将待识别图像输入柑橘红蜘蛛虫害识别模型，得到柑橘红蜘蛛虫害识别模型的识别结果。本发明专利技术解决了现有农作物害虫识别依靠人眼识别易受干扰，识别精度低的问题。

【技术实现步骤摘要】
基于深度学习的柑橘红蜘蛛虫害的识别方法
本专利技术涉及农作物病虫害识别领域，具体是指一种基于深度学习的柑橘红蜘蛛虫害的识别方法。
技术介绍
柑橘产区常常会有以红蜘蛛为主的虫害，我国的柑橘园日常红蜘蛛虫害管理主要依靠古老的管理模式，见虫就打、见病才防，一味地依赖除草剂防治果园内杂草，严重地破坏了柑橘园内物种间的生态平衡。随着计算机视觉和图像处理技术成熟发展，利用图像实现柑橘红蜘蛛虫害的自动识别与诊断成为了可能。柑橘红蜘蛛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，能够实现对柑橘红蜘蛛虫害图像分割、特征值提取以及柑橘红蜘蛛虫害自动识别。目前国内外研究人员研究害虫识别方法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，而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。
技术实现思路
基于以上技术问题，本专利技术提供了一种基于深度学习的柑橘红蜘蛛虫害的识别方法，解决了现有农作物害虫识别依靠人眼识别易受干扰，识别精度低的问题。为解决以上技术问题，本专利技术采用的技术方案如下：基于深度学习的柑橘红蜘蛛虫害的识别方法，包括：采集柑橘红蜘蛛虫害图像，并对柑橘红蜘蛛虫害图像进行预处理；对图像数据进行数据标签标定，制作深度学习数据集；将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型；将待识别图像输入柑橘红蜘蛛虫害识别模型，得到柑橘红蜘蛛虫害识别模型的识别结果。作为一种优选的方式，将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型包括：构建MaskR-CNN模型；提取深度学习数据集中样本的特征点；通过特征点对MaskR-CNN模型进行训练；将MaskR-CNN模型带入卷积神经网络中，得到柑橘红蜘蛛虫害识别模型。作为一种优选的方式，特征点包括柑橘红蜘蛛图像中柑橘红蜘蛛的纹理、形状、尺寸和颜色。作为一种优选的方式，通过特征点对MaskR-CNN模型进行训练包括：通过语义分割将柑橘红蜘蛛虫害图像分为病症诱发区、次级继续解析区和广收集区，并对病症诱发区、次级继续解析区和广收集区从高到低设置图像解析权重；基于高解析权重，对病症诱发区解码提取病症图片特征以识别主要病因；基于中解析权重，对次级继续解析区大范围搜索病症并对病症进行标记；基于低解析权重，对广收集区搜索扩散的病症；结合病症诱发区、次级继续解析区和广收集区的数据，实现柑橘红蜘蛛虫害识别。作为一种优选的方式，卷积神经网络采用深度卷积神经网络模型AlexNet、VGG-16或GoogLeNet。作为一种优选的方式，深度学习数据集包括训练集、验证集和测试集。作为一种优选的方式，数据标签标定包括标注出柑橘红蜘蛛虫害图像中的害虫、农作物、背景和虫害类别。作为一种优选的方式，预处理包括对柑橘红蜘蛛虫害图像空白部分进行裁剪和归一化处理。与现有技术相比，本专利技术的有益效果是：(1)本专利技术通过深度学习训练的方法，农作物的病害识别上使用深度学习能识别多种农作物病害，解决人工提取特征的难题，使用迁移学习的训练方式在小数据集上能够减少训练复杂度、降低学习时间。(2)本专利技术的算法十分完善，识别精度已经达到98％，且识别周期短。使用的MaskR-CNN图像识别技术完成了目标个体的语义分割，使用此算法首先分析图像，精确定位主体范围，通过不同范围设置的权重不同识别不同的病症，从而精确判断病症。(3)本专利技术使用深度学习的相关理论，包括深度信念网络(DBN)、循环神经网络(RNN)和卷积神经网络(CNN)三种不同的深度学习模型以及CNN的一些原理及其组织结构:有卷积层(ConvolutionLayer)、池化层(PoolingLayer)、激活函数及正则化技巧Dropourt等，概述了包括反向传播、梯度计算等的训练过程本算法适应小数据集的训练方法迁移学习，本专利技术使用的训练过程与迁移学习相结合，接着用自己的数据对这模型进行试验，用总体精度、平均查准率、平均查全率、F1值对三个算法的性能做对比，结果验证了深度卷积神经网络对农作物病害识别的可行性，测得不同算法下各类病害的测试准确率，结合性能指标选择准确率较高的算法。附图说明本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述，其中：图1为基于深度学习的柑橘红蜘蛛虫害的识别方法流程示意图。图2为柑橘红蜘蛛虫害图像。图3为MaskR-CNN模型识别范围示意图。图4为次级继续解析区图像。图5为次级继续解析区解析识别示意图。图6为广收集区图像图7为广收集区解析识别示意图。具体实施方式为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。图1是本申请一些实施例所示的基于深度学习的柑橘红蜘蛛虫害的识别方法的流程示意图，以下将结合图1对本申请所涉及的基于深度学习的柑橘红蜘蛛虫害的识别方法进行介绍。需要注意的是，图1仅作为示例，并不对基于深度学习的柑橘红蜘蛛虫害的识别方法的具体流程形成限定。参阅图1，在本实施方式中，基于深度学习的柑橘红蜘蛛虫害的识别方法，包括：采集柑橘红蜘蛛虫害图像，并对柑橘红蜘蛛虫害图像进行预处理；对图像数据进行数据标签标定，制作深度学习数据集；将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型；将待识别图像输入柑橘红蜘蛛虫害识别模型，得到柑橘红蜘蛛虫害识别模型的识别结果。在一些实施例中，将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型包括：构建MaskR-CNN模型；提取深度学习数据集中样本的特征点；通过特征点对MaskR-CNN模型进行训练；将MaskR-CNN模型带入卷积神经网络中，得到柑橘红蜘蛛虫害识别模型。在本实施例中，MaskR-CNN是基于FasterR-CNN提出来的一个网络架构，主要完成了目标个体的语义分割。论文的思路主要是对原有的FasterR-CNN进行了扩充，增加了一个分支对现有目标进行预测，对识别性高的特征有着较高的识别率。在一些实施例中，特征点包括柑橘红蜘蛛图像中柑橘红蜘蛛的纹理、形状、尺寸和颜色。在一些实施例中，通过特征点对MaskR-CNN模型进行训练包括：通过语义分割将柑橘红蜘蛛虫害图像分为病症诱发区、次级继续解析区和广收集区，并对病症诱发区、次级继续解析区和广收集区从高到低设置图像解析权重；基于高解析权重，对病症诱发区解码提取病症图片特征以识别主要病因；基于中解析权重，对次级继续解析区大范围搜索病症并对病症进行标记；基于低解析权重，对广收集区搜索扩散的病症；结合病症诱发区、次级继续解析区本文档来自技高网...

【技术保护点】
1.基于深度学习的柑橘红蜘蛛虫害的识别方法，其特征在于，包括：/n采集柑橘红蜘蛛虫害图像，并对所述柑橘红蜘蛛虫害图像进行预处理；/n对所述图像数据进行数据标签标定，制作深度学习数据集；/n将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型；/n将待识别图像输入柑橘红蜘蛛虫害识别模型，得到所述柑橘红蜘蛛虫害识别模型的识别结果。/n

【技术特征摘要】
1.基于深度学习的柑橘红蜘蛛虫害的识别方法，其特征在于，包括：
采集柑橘红蜘蛛虫害图像，并对所述柑橘红蜘蛛虫害图像进行预处理；
对所述图像数据进行数据标签标定，制作深度学习数据集；
将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型；
将待识别图像输入柑橘红蜘蛛虫害识别模型，得到所述柑橘红蜘蛛虫害识别模型的识别结果。


2.根据权利要求1所述的基于深度学习的柑橘红蜘蛛虫害的识别方法，其特征在于，所述将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型包括：
构建MaskR-CNN模型；
提取所述深度学习数据集中样本的特征点；
通过所述特征点对MaskR-CNN模型进行训练；
将所述MaskR-CNN模型带入卷积神经网络中，得到所述柑橘红蜘蛛虫害识别模型。


3.根据权利要求2所述的基于深度学习的柑橘红蜘蛛虫害的识别方法，其特征在于:
所述特征点包括所述柑橘红蜘蛛图像中柑橘红蜘蛛的纹理、形状、尺寸和颜色。


4.根据权利要求2所述的基于深度学习的柑橘红蜘蛛虫害的识别方法，其特征在于，所述通过所述特征点对MaskR-CNN模型进行训练包括：
通过语义分割...

【专利技术属性】
技术研发人员：王敏，陈蕊，冉力争，杨纤，张小荣，姚建涛，罗昱晟，艾敏，
申请(专利权)人：四川工商学院，
类型：发明
国别省市：四川;51