一种植物叶片病害分类预测方法及系统技术方案

本发明专利技术提供了一种植物叶片病害分类预测方法及系统，涉及复杂背景下的目标分类领域，方法包括对获取的植物叶片的数字图像进行多次卷积操作，得到每次卷积操作的特征向量；将每个特征向量分成多个部分，每个部分分别进行卷积和/或池化操作，将操作后的各部分融合；融合结果输入全连接网络，将二维特征图转化为一个一维向量，利用交叉熵损失函数，预测病害类别的概率值。本发明专利技术将InceptionV2的每一个处理分支的通道数变为输入的1/4，在融合的过程中对于输入特征进行了多尺度的融合，既保证了特征融合的充分性，挖掘出了特征之间的相似性与共性，也保证了特征通道数前后的一致性。提高了病害分类的准确率，而且更加方便进行部署和应用。和应用。和应用。

【技术实现步骤摘要】
一种植物叶片病害分类预测方法及系统


[0001]本专利技术涉及复杂背景下的目标分类
，尤其是一种植物叶片病害分类预测方法及系统。

技术介绍

[0002]“民以食为天”，粮食作为大自然对人类的馈赠，在人类的发展的历程中起着不可或缺的作用，它在国民经济中处于基础地位，为我们提供基本的生活必需品和工业发展的原材料。随着农业的快速发展，病虫害的发生频率越来越高，对农作物的产量造成了很大的影响。传统的农业生产中对农业病虫害的防治一般都是在作物病情的中期甚至后期的时候农民才发现，然后根据自身经验或者寻找专家进行咨询才能了解到病害的种类及应对办法，但这种方法费时费力，而且绝大多数普通农民没有机会得到来自专家的指点。在这种情况下，如何将专家掌握的病虫害的知识更加方便、快捷、经济、高效的传播到需要这些知识的农民那里就是一个亟待解决的问题。
[0003]在以前，研究人员通常使用传统的方法来识别病虫害，如使用K
‑
means聚类方法对病变区域进行分割，结合全局颜色直方图、颜色相干向量、局部二值模式和SVM(支持向量机)对病害进行识别；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种植物叶片病害分类预测方法，其特征是，所述方法包括以下步骤：对获取的植物叶片的数字图像进行多次卷积操作，得到每次卷积操作的特征向量；将每个所述特征向量分成多个部分，每个部分分别进行卷积和/或池化操作，将操作后的各部分融合；融合结果输入全连接网络，将二维特征图转化为一个一维向量，利用交叉熵损失函数，预测病害类别的概率值。2.根据权利要求1所述植物叶片病害分类预测方法，其特征是，所述多次卷积操作通过MobileNet网络进行，所述多次卷积操作具体为4次。3.根据权利要求2所述植物叶片病害分类预测方法，其特征是，所述多次卷积操作具体为：进行卷积核数量为32，大小为3*3、步长为2、padding＝1的卷积操作,然后进行BatchNormalization操作，最后经过ReLU激活函数，输出特征向量Vector1；对特征向量Vector1进行卷积核数量为64、大小为3*3，步长为1、padding＝1的卷积操作，然后经过BatchNormalization，最后经过ReLU激活函数，输出特征向量Vector2；对特征向量Vector2进行卷积核数量为128、大小为3*3，步长为2、padding＝1的卷积操作，然后经过BatchNormalization，最后经过ReLU激活函数，输出特征向量Vector3；对特征向量Vector3进行卷积核数量为256、大小为3*3，步长为2、padding＝1的卷积操作，然后经过BatchNormalization，最后经过ReLU激活函数，输出特征向量Vector4。4.根据权利要求3所述植物叶片病害分类预测方法，其特征是，所述多个部分具体为4个，通过InceptionV2网络，对所述每个部分分别进行卷积和/或池化操作。5.根据权利要求4所述植物叶片病害分类预测方法，其特征是，对特征向量Vector1进行操作的具体过程为：将特征向量Vector1进行四部分的操作；第一部分进行1*1卷积核、卷积核数量为8的卷积操作；第二部分使用全局平均池化进行操作，然后进行1*1卷积核、数量为8的卷积操作；第三部分进行卷积核大小为1*1、数量为8的卷积操作；再经过卷积核大小为1*1、数量为8的卷积操作；第四部分进行卷积核大小为1*1、数量为8的卷积操作，然后经过卷积核大小为1*1、数量为8的卷积操作，最后经过一个卷积核大小为1*1、数量为8的卷积操作。6.根据权利要求4所述植物叶片病害分类预测方法，其特征是，对特征向量Vector2进行操作的具体过程为：将特征向量Vector...

【专利技术属性】
技术研发人员：郑纪业，王风云，阮怀军，封文杰，赵佳，
申请(专利权)人：山东省农业科学院，
类型：发明
国别省市：