【技术实现步骤摘要】
基于改良卷积神经网络的马铃薯病害识别方法
本专利技术涉及人工智能机器学习领域，具体为基于改良卷积神经网络的马铃薯病害识别方法。
技术介绍
卷积神经网络(CNN)是目前深度学习
中非常具有代表性的神经网络之一，在图像分析和处理领域取得了众多突破性的进展，基于卷积神经网络取得了很多成就，包括图像特征提取分类、场景识别等，卷积神经网络相较于传统的图像处理算法的优点之一在于避免了对图像复杂的前期预处理过程，尤其是人工参与图像预处理过程，CNN被证明比传统机器学习方法有着更优良的表现，在此基础上，引入FasterR-CNN算法并对其进行改进，该算法是区域卷积神经网络的经典模型之一，于2015年提出，是一种强大的two-stage目标检测与分类算法，能够利用共享卷积层将区域建议网络（Regionproposalnetwork，RPN）与FasterR-CNN结构形成1个网络，增加了候选框生成速度和检测效率。本专利技术选取多种预训练的卷积神经网络结构作为FasterR-CNN的特征提取网络，通过深度学习的方式，精确识别预处理后的马铃...
【技术保护点】
1.基于改良卷积神经网络的马铃薯病害识别方法，其特征在于,包括以下步骤：/n步骤一：获取数据集，在马铃薯的田间养殖数据集中筛选出各类常见病变样本，通过光学图像采集设备，采集不同天气环境下的各类病害的光学图像，保证了数据样本的权威性和代表性：/n步骤二：数据预处理，包括对光学图像进行人工标注以及数据增强，由于卷积神经网络在训练过程中需要大量数据样本，否则无法精确提取数据图片的特征：/n预处理操作可以有效提升数据集的特征多样性，完善图片质量，而卷积神经网络需要进行有监督的训练，图像本身没有标签和语义，数据预处理可以提高训练效率：/n步骤三：引入改进后的Faster R- CNN...
【技术特征摘要】
1.基于改良卷积神经网络的马铃薯病害识别方法，其特征在于,包括以下步骤：
步骤一：获取数据集，在马铃薯的田间养殖数据集中筛选出各类常见病变样本，通过光学图像采集设备，采集不同天气环境下的各类病害的光学图像，保证了数据样本的权威性和代表性：
步骤二：数据预处理，包括对光学图像进行人工标注以及数据增强，由于卷积神经网络在训练过程中需要大量数据样本，否则无法精确提取数据图片的特征：
预处理操作可以有效提升数据集的特征多样性，完善图片质量，而卷积神经网络需要进行有监督的训练，图像本身没有标签和语义，数据预处理可以提高训练效率：
步骤三：引入改进后的FasterR-CNN算法，通过加入批标准化处理提高模型收敛速度，引入中间代价函数构建混合代价函数提高相似病斑的识别率方式改进FasterR-CNN。
2.根据权利要求1所述的基于改良卷积神经网络的马铃薯病害识别方法，其特征在于：所述步骤一中光学图像采集设备为CanonEOS5DMarkII，采集方式为人工拍摄。
3.根据权利要求1所述的基于改良卷积神经网络的马铃薯病...
【专利技术属性】
技术研发人员：李波，刘思楷，唐进洪，吴斐，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：江西;36
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。