一种基于改进SSD网络的水稻病虫害识别方法技术

本发明专利技术公开一种基于改进SSD网络的水稻病虫害识别方法，包括以下步骤：(1)采集水稻病虫害图像，确认图像中水稻病虫害的类型，从而获得水稻病虫害样本；(2)对所述水稻病虫害样本进行图像预处理；(3)将经过预处理后的水稻病虫害样本输入至改进SSD网络模型中，对改进SSD网络模型进行训练；(4)采用训练好的改进SSD网络模型对待测图像进行识别，并输出识别结果，得出水稻病虫害情况。本发明专利技术基于改进SSD网络模型，对水稻病虫害进行高效和高精度的识别，省时省力，以便对水稻进行针对性施药救治，确保水稻产量。保水稻产量。保水稻产量。

【技术实现步骤摘要】
一种基于改进SSD网络的水稻病虫害识别方法


[0001]本专利技术涉及一种农作物病虫害识别方法，具体涉及一种基于改进SSD网络的水稻病虫害识别方法。

技术介绍

[0002]有效识别和监测水稻病虫害，是保证水稻高产、稳产的重要措施之一。传统的水稻病虫害识别监测方法，一般是通过人工靠经验或查阅病虫害图谱等方式进行鉴定，这样的方式不仅效率低下，而且鉴定结果存在主观性和不稳定性，无法针对水稻病虫害进行高效、精准和客观的识别和监测。
[0003]现有技术中，基于模式识别和光谱技术实现对水稻病虫害识别的研究方法虽然一定程度上能够提高识别效率和精度；但在模式识别中，由于存在需要手工设计特征、模型泛化能力差等问题，导致很多成果未能在实际生产中得到应用；在光谱技术中，使用高光谱相机对操作者水平要求较高且采集数据的仪器设备极其昂贵，检测水稻病虫害的经济效益与实用性低。

技术实现思路

[0004]本专利技术目的在于克服现有技术的不足，提供一种基于改进SSD网络的水稻病虫害识别方法，该方法实现对水稻病虫害的高效和高精度识别，以便对水稻进行针对性施药救治，确保水稻产量。
[0005]本专利技术的目的通过以下技术方案实现：
[0006]一种基于改进SSD网络的水稻病虫害识别方法，其特征在于，包括以下步骤：
[0007](1)采集水稻病虫害图像，确认图像中水稻病虫害的类型，从而获得水稻病虫害样本；
[0008](2)对所述水稻病虫害样本进行图像预处理；
[0009](3)将经过预处理后的水稻病虫害样本输入至改进SSD网络模型中，对改进SSD网络模型进行训练；
[0010](4)采用训练好的改进SSD网络模型对待测图像进行识别，并输出识别结果，得出水稻病虫害情况。
[0011]本专利技术的一个优选方案，所述改进SSD网络模型，采用IceptionV2网络替换SSD网络模型中原有的VGG16网络，利用IceptionV2网络进行特征提取。采用IceptionV2网络进行特征提取，实现改进SSD网络模型结构的轻量化，使其能够满足实时识别的性能要求，同时对算法进行优化改进，以提高其检测精度。
[0012]优选地，对所述改进SSD网络模型进行模型优化，以提高识别检测精度；所述模型优化包括加入BN层，对中间特征层进行归一化处理；在归一化处理过程中，先求取同一批次特征图的所有像素点总数的平均值和方差，再对样本数据进行归一化操作，其中，
[0013][0014][0015][0016]式中，μ为所有像素点总数的平均值，σ为所有像素点总数的方差；x
i
表示该图像样本中第i个像素点的值；n表示该图像样本像素点的总数，表示该图像样本第i个像素归一化后的像素值，ε为大于0的微小常数值，以保证式中分母大于0。
[0017]优选地，所述模型优化还包括使用非极大值抑制算法寻找局部最大值，其中的非极大值抑制算法依据目标框的交叉重叠比来判断是否对检测目标框进行抑制，重叠比IOU通过以下公式进行计算，
[0018][0019]式中，b1∩b2表示两个预测框b1和b2交集的面积，b1∪b2表示两个预测框b1和b2并集的面积。
[0020]优选地，所述模型优化还包括梯度优化方法的改进，采用Momentum算法替换改进SSD网络模型中原有的RMSprop算法；Momentum算法的迭代更新过程如下，
[0021]v＝βv+(1
‑
β)dw
[0022]w＝w
‑
αv
[0023]式中，W为改进SSD网络模型的权重参数，α是学习率，为常数，dw为原始梯度，V是用指数加权平均计算出来的梯度，β取值为0.9。
[0024]优选地，所述模型优化还包括引入用于减少样本的类内特征差异的中心损失函数，与改进SSD网络模型中的配合使用；
[0025]所述改进SSD网络模型的损失函数为softmax交叉熵损失函数，所述softmax交叉熵损失函数的公式为：
[0026][0027]式中，N表示训练样本数，i表示第i个训练样本，y
i
表示第i个样本的真实值，H
i
表示第i个样本的预测值；C表示目标类别数，h
j
表示网络模型的第j个输出向量，其中j＝1，
…
，C，表示网络模型对应第i个样本的预测值输出向量，e表示将输出向量转化为指数，然后通过归一化进行概率输出。
[0028]所述中心损失函数的公式为：
[0029][0030]式中，N表示训练样本数，i表示第i个训练样本，X
i
表示第i个训练样本对应的特
征，表示所有为样本i类型特征的中心值；
[0031]将所述交叉熵损失函数和中心损失函数进行配合使用，并通过引入平衡因子控制两种损失的权重，最终的损失函数公式为：
[0032]L
total
＝L
softmaxloss
(y
i
,H
i
)+L
centerloss
[0033]式中，L
softmaxloss
(y
i
,H
i
)表示softmax交叉熵损失值函数，L
centerloss
表示中心损失值函数，两者的损失值求和得到模型的总损失值函数L
total
。
[0034]本专利技术的一个优选方案，在步骤(2)中，图像预处理包括数据增强和数据标签。
[0035]优选地，所述数据增强的内容包括将原始图像旋转90
°
、180
°
、270
°
以及改变原始图像亮度。
[0036]优选地，经过图像预处理得到训练集样本后，设定训练集与验证集比值为9:1，并将全部图像素大小调整为300
×
300pixel，输入至改进SSD网络模型中进行训练和验证。
[0037]本专利技术的一个优选方案，将训练好的改进SSD网络模型移植至移动端平台上，实现对水稻病虫害的实时检测识别。
[0038]本专利技术与现有技术相比具有以下有益效果：
[0039]1、本专利技术基于改进SSD网络模型，对水稻病虫害进行高效和高精度的识别，省时省力，以便对水稻进行针对性施药救治，确保水稻产量。
[0040]2、将SSD网络应用至水稻病虫害识别领域中，实现智能目标检测与水稻病虫害识别的融合，有利于提高水稻病虫害识别的精度和效率。
附图说明
[0041]图1为本专利技术的一种基于改进SSD网络的水稻病虫害识别方法的流程框图。
[0042]图2为水稻病虫害样本示意图。
具体实施方式
[0043]下面结合实施例和附图对本专利技术作进一步描述，但本专利技术的实施方式不仅限于此。
[0044]参见图1
‑
图2，本实施例公开一种基于改进SS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进SSD网络的水稻病虫害识别方法，其特征在于，包括以下步骤：(1)采集水稻病虫害图像，确认图像中水稻病虫害的类型，从而获得水稻病虫害样本；(2)对所述水稻病虫害样本进行图像预处理；(3)将经过预处理后的水稻病虫害样本输入至改进SSD网络模型中，对改进SSD网络模型进行训练；(4)采用训练好的改进SSD网络模型对待测图像进行识别，并输出识别结果，得出水稻病虫害情况。2.根据权利要求1所述的基于改进SSD网络的水稻病虫害识别方法，其特征在于，所述改进SSD网络模型，采用IceptionV2网络替换SSD网络模型中原有的VGG16网络，利用IceptionV2网络进行特征提取。3.根据权利要求2所述的基于改进SSD网络的水稻病虫害识别方法，其特征在于，对所述改进SSD网络模型进行模型优化，以提高识别检测精度；所述模型优化包括加入BN层，对中间特征层进行归一化处理；在归一化处理过程中，先求取同一批次特征图的所有像素点总数的平均值和方差，再对样本数据进行归一化操作，其中，总数的平均值和方差，再对样本数据进行归一化操作，其中，总数的平均值和方差，再对样本数据进行归一化操作，其中，式中，μ为所有像素点总数的平均值，σ为所有像素点总数的方差；x
i
表示该图像样本中第i个像素点的值；n表示该图像样本像素点的总数，表示该图像样本第i个像素归一化后的像素值，ε为大于0的微小常数值，以保证式中分母大于0。4.根据权利要求3所述的基于改进SSD网络的水稻病虫害识别方法，其特征在于，所述模型优化还包括使用非极大值抑制算法寻找局部最大值，其中的非极大值抑制算法依据目标框的交叉重叠比来判断是否对检测目标框进行抑制，重叠比IOU通过以下公式进行计算，式中，b1∩b2表示两个预测框b1和b2交集的面积，b1∪b2表示两个预测框b1和b2并集的面积。5.根据权利要求4所述的基于改进SSD网络的水稻病虫害识别方法，其特征在于，所述模型优化还包括梯度优化方法的改进，采用Momentum算法替换改进SSD网络模型中原有的RMSprop算法；Momentum算法的迭代更新过程如下，v＝βv+(1
‑
β)dww＝w
‑
αv式中，W为改进SSD网络模型的权重参数，α是学习率，为常数，dw为原始梯度，V是用指数加权平均计算出来的梯度，β取值为0.9。
6.根据权利要求5所述的基于改进SSD网络的水稻病虫害识别方法，其特征在于，所述模型优化还包括引入用于减少样本的类内特...

【专利技术属性】
技术研发人员：邓继忠，杨畅，黄康华，谢尧庆，严智维，霍静朗，叶家杭，雷落成，罗明达，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：