【技术实现步骤摘要】
基于CNN和LSTM的智能病虫害识别方法及系统
[0001]本专利技术涉及人工智能计算机视觉
,具体地说是一种基于CNN和LSTM的智能病虫害识别方法及系统。
技术介绍
[0002]神经网络(neual networks)是人工智能研究领域的一部分,当前最流行的神经网络是深度卷积神经网络(deep convolutional neural networks,CNNs),虽然卷积网络也存在浅层结构,但是因为准确度和表现力等原因很少使用。目前提到CNNs和卷积神经网络,学术界和工业界不再进行特意区分,一般都指深层结构的卷积神经网络,层数从”几层“到”几十上百“不定。CNNs目前在很多很多研究领域取得了巨大的成功,例如:语音识别,图像识别,图像分割,自然语言处理等。虽然这些领域中解决的问题并不相同,但是这些应用方法都可以被归纳为:CNNs可以自动从(通常是大规模)数据中学习特征,并把结果向同类型未知数据泛化。利用CNN实现图像识别的任务的一般步骤为:输入层读入经过规则化(统一大小)的图像,每一层的每个神经元将前一层的一组小的局部近邻的单元作为输入,也就是局部感受野和权值共享,神经元抽取一些基本的视觉特征,比如边缘、角点等,这些特征之后会被更高层的神经元所使用。卷积神经网络通过卷积操作获得特征图,每个位置,来自不同特征图的单元得到各自不同类型的特征。一个卷积层中通常包含多个具有不同权值向量的特征图,使得能够保留图像更丰富的特征。卷积层后边会连接池化层进行降采样操作,一方面可以降低图像的分辨率,减少参数量,另一方面可以获 ...
【技术保护点】
【技术特征摘要】
1.一种基于CNN和LSTM的智能病虫害识别方法,其特征在于,该方法是利用卷积神经网络判断农作物上的病虫害情况,再通过LSTM匹配针对病虫害情况处理方案,达到病虫害发现及解决的目的;具体如下:构建农作物病虫害数据集;构建并训练病虫害模型;部署并使用病虫害模型。2.根据权利要求1所述的基于CNN和LSTM的智能病虫害识别方法,其特征在于,农作物病虫害数据集包括病虫害图片、每张病虫害图片的名称以及对应病虫害的处理方案;农作物病虫害数据集中训练集与测试集的比例为4:1。3.根据权利要求1所述的基于CNN和LSTM的智能病虫害识别方法,其特征在于,构建并训练病虫害模型具体如下:通过CNN提取病虫害图片特征并生成每张病虫害图片特征与其对应的命名;通过LSTM将病虫害图片特征转化为相应的文字描述;将CNN与LSTM对病虫害图片处理的结果相结合,得到病虫害模型;使用测试集进行病虫害模型测试及优化。4.根据权利要求3所述的基于CNN和LSTM的智能病虫害识别方法,其特征在于,通过CNN提取病虫害图片特征并生成每张病虫害图片特征与其对应的命名具体如下:卷积操作:将训练集中带有命名的病虫害图片输入到卷积层中,通过病虫害图片的特征运算,输出该病虫害图片的特征向量;采样操作:将病虫害图片的特征向量与该病虫害图片对应的命名对应起来,并将其输入到向量空间中。5.根据权利要求3或4所述的基于CNN和LSTM的智能病虫害识别方法,其特征在于,通过LSTM将病虫害图片特征转化为相应的文字描述具体如下:数据文本预处理:通过定义函数删除空间向量文本信息中除字母、数字和汉字以外的所有符号;加载停用词表:文本信息处理过程中,根据停用词表删除对文本信息无影响的字或词语;结构化处理:将处理后文本信息经过词向量转化成结构化数据;具体如下:根据汉字的文本信息生成词典;把分词后的文本数据经过词典转化为矩形形式;对矩形形式的文本数据进行维度的统一化,即设定矩阵中一行信息的字数阈值,情况如下:当文本数据的字符数大于阈值时,则对多余的文本数据做删除处理;当文本数据的字符数小于阈值时,则对不足的文本数据做补零处理;模型训练:将处理好的文本数据的向量空间输入到LSTM模型中进行训练。6.根据权利要求1所述的基于CNN和LSTM的智能病虫害识别方法,其特征在于,部署并使用病虫害模型具体如下:将病虫害模型部署到服务器中;利用无人机对农作物进行拍照;
将照片上传到服务器中;服务器调用病虫害模型进行病虫害种类的识别;将病虫害模型识别结果输入到服务器搜索功能中;由服务器进行搜索等到针...
【专利技术属性】
技术研发人员:戴鸿君,
申请(专利权)人:山东浪潮科学研究院有限公司,
类型:发明
国别省市:
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。