本发明专利技术涉及基于改进AlexNet的辣椒叶片病害检测方法，通过建立病害数据集，对病害数据集进行数据增强，然后将病害数据集的图像数据进行病害类型分类并打好对应标签，建立模型数据集，将模型数据集的图像数据按比例划分为训练集、验证集和测试集；然后构建卷积神经网络模型，对卷积神经网络模型中的AlexNet模型进行特征提取，将第一层卷积层设置多尺度的卷积核，并且去除全连接层同时将全连接层替换为全局平均池化层，在每层卷积层中加入BN层，然后设置超参数，使用训练集对AlexNet模型进行训练。根据本发明专利技术的基于改进AlexNet的辣椒叶片病害检测方法，可缩小模型，提高识别精度，提高检测速度。检测速度。检测速度。
Detection method of pepper leaf disease based on improved alexnet
【技术实现步骤摘要】
基于改进AlexNet的辣椒叶片病害检测方法
[0001]本专利技术一般涉及病害检测方法，尤其涉及基于改进AlexNet的辣椒叶片病害检测方法。本专利技术属于图像识别
技术介绍
[0002]我国是世界第一大辣椒生产国与消费国，播种面积约占世界辣椒播种面积的40％，具有很高的经济价值。然而，辣椒的生长中时常有病害发生，且多起始于叶部并蔓延到整个植株，从而影响了辣椒的产量和质量，造成经济的损失。因此，准确及时地识别出辣椒叶片病害类型对辣椒病害的防治尤为重要。
[0003]传统的辣椒病害检测方法主要是基于农业工作者的肉眼观察和经验判断，这样的方法速度慢、主观性强、效率低且容易产生误诊，使得农药的错误使用而辣椒病害得不到及时救治。
[0004]近年来，基于图像识别的技术在农业病害检测中的应用有一定的进展。现有的辣椒叶病害检测方法，通过拍摄实验室内的辣椒叶，建立病害数据集，并通过传统机器学习方法，对特定的病害特征进行特征提取之后，使用SVM等机器学习算法对提取的特征进行分类，因此其识别效果很大程度上取决于人工设计的特征。而农作物病害的表征具有复杂多样性，特定的病害特征不能完全体现农作物的病害信息，从而造成识别精度低、泛化效果差。此外，图像识别技术还存在模型参数量大、难于在移动设备中部署等问题。
技术实现思路
[0005]本专利技术提供基于改进AlexNet的辣椒叶片病害检测方法及装置，旨在至少解决现有技术中存在的技术问题之一。
[0006]本专利技术的技术方案涉及基于改进AlexNet的辣椒叶片病害检测方法，
[0007]所述方法包括以下步骤：
[0008]A、通过拍摄叶片获得叶片图像；建立病害数据集，将所述叶片图像输入所述病害数据集；
[0009]B、对所述病害数据集进行数据增强，其数据增强的操作包含在TensorFlow下调用OpenCV模块进行样本扩充，其中所述样本扩充的方式包括随机角度旋转、水平翻折、垂直翻折和调整曝光度；
[0010]C、将所述病害数据集的图像数据进行病害类型分类并打好对应标签；建立模型数据集，将已打好标签的图像数据输入所述模型数据集；将所述模型数据集的图像数据按4:1:1的比例划分为训练集、验证集和测试集；
[0011]D、构建卷积神经网络模型，对所述卷积神经网络模型中的AlexNet模型进行特征提取，其特征提取的操作包含在所述AlexNet模型中将第一层卷积层设置多尺度的卷积核，并且去除所述AlexNet模型的全连接层同时将所述全连接层替换为全局平均池化层，在所述AlexNet模型的每层卷积层中加入BN层；
[0012]E、设置AlexNet模型训练的超参数，使用所述训练集对已设计多尺度的AlexNet模型进行训练；
[0013]F、保持已训练好的AlexNet模型，并用保存好的AlexNet模型测试所述测试集。
[0014]进一步，其中，所述步骤A中，所述叶片图像是以手掌为背景的叶片图片。
[0015]进一步，其中，所述步骤A中，所述叶片为田间自然生长条件下的辣椒叶片，拍摄操作是在所述叶片的生长环境中进行拍摄。
[0016]进一步，其中，所述步骤D包括：
[0017]SDA：所述卷积核设置有6种尺度，所述6种尺度分别为1
×
1、3
×
3、5
×
5、7
×
7、9
×
9和11
×
11；所述6种尺度的卷积核个数均设置为16个；
[0018]SDB：去除所述AlexNet模型中的第6层全连接层和第7层全连接层，将第6层全连接层和第7层全连接层均替换为全局平均池化层；
[0019]SDC：所述AlexNet模型接入softmax分类器。
[0020]进一步，其中，所述步骤D中，所述AlexNet模型的全局平均池化设计包括以下步骤：
[0021]SDD：将所述AlexNet模型的卷积层每个特征图所有值进行平均池化，得到一个平均特征值，以使所述平均特征值的维度等于卷积层的特征图数目；其中，所述平均特征值的技术公式如下：
[0022][0023]其中，y表示平均特征值；m
·
n为所述卷积层的特征图尺寸；x
ij
为所述卷积层的特征图值。
[0024]进一步，其中，所述步骤D中，所述BN层设置于所述AlexNet模型的卷积层和激活层之间，以使所述AlexNet模型的每层输入都调整到均值为0和方差为1的标准正太分布。
[0025]进一步，其中，所述步骤E中，所述超参数的设置包括以下步骤：
[0026]SDA：输入图像分辨率为224
×
224，将损失函数设置为交叉熵，采用AdamOptimizer优化更新所述超参数，所述AlexNet模型迭代80个epoch，采用批量训练方法。
[0027]进一步，其中，所述步骤D包括：
[0028]SDB：对已设计多尺度的AlexNet模型进行训练时，每迭代一个epoch后，测试一次所述验证集的精度。
[0029]进一步，其中，所述方法还包括以下步骤：
[0030]SG：通过TensorFlow lite转换器将AlexNet模型的文件格式转换为tflite格式，并通过优化，以减少AlexNet模型的文件大小和提高AlexNet模型的性能；
[0031]SH：将转为tflite格式的AlexNet模型文件部署到移动设备，以开发一个叶片病害识别APP。
[0032]进一步，其中，所述步骤D包括：
[0033]步骤SDA：将AlexNet模型保存为SavedModel格式；
[0034]步骤SDB：将所述测试集的图像数据存入已保存的AlexNet模型，然后进行推理运算，以得到预测病害类型和预测标签；
[0035]步骤SDC：将预测标签与真实标签对比计，以计算出所述AlexNet模型的准确率。
[0036]本专利技术还涉及一种计算机可读存储介质，其上储存有程序指令，所述程序指令被处理器执行时实施上述的方法。
[0037]本专利技术的有益效果如下：
[0038]本专利技术实施例的基于改进AlexNet的辣椒叶片病害检测方法，通过构建卷积神经网络模型，采用深度卷积神经网络的方式，利用卷积神经网络的自动提取图像特征的功能和出色的鲁棒性，提高图像识别精度，并简化图像特征提取操作，实现自动学习图像中的有用特征；基于AlexNet模型改进，采用多尺度设计、全局平均池化设计，以及加入BN层，提高模型准确率，缩小模型，加快模型识别速度，并使得模型易于部署到移动设备。因此，本专利技术实施例的基于改进AlexNet的辣椒叶片病害检测方法，可提高识别精度，提高检测速度。
附图说明
[0039]图1是根据本专利技术的方法的总体流程图。
[0040]图2是根据本专利技术实施例中的AlexNet模型的结构图。...
【技术保护点】
【技术特征摘要】
1.基于改进AlexNet的辣椒叶片病害检测方法，其特征在于，所述方法包括以下步骤：A、通过拍摄叶片获得叶片图像；建立病害数据集，将所述叶片图像输入所述病害数据集；B、对所述病害数据集进行数据增强，其数据增强的操作包含在TensorFlow下调用OpenCV模块进行样本扩充，其中所述样本扩充的方式包括随机角度旋转、水平翻折、垂直翻折和调整曝光度；C、将所述病害数据集的图像数据进行病害类型分类并打好对应标签；建立模型数据集，将已打好标签的图像数据输入所述模型数据集；将所述模型数据集的图像数据按4:1:1的比例划分为训练集、验证集和测试集；D、构建卷积神经网络模型，对所述卷积神经网络模型中的AlexNet模型进行特征提取，其特征提取的操作包含在所述AlexNet模型中将第一层卷积层设置多尺度的卷积核，并且去除所述AlexNet模型的全连接层同时将所述全连接层替换为全局平均池化层，在所述AlexNet模型的每层卷积层中加入BN层；E、设置AlexNet模型训练的超参数，使用所述训练集对已设计多尺度的AlexNet模型进行训练；F、保持已训练好的AlexNet模型，并用保存好的AlexNet模型测试所述测试集。2.根据权利要求1所述的方法，其中，所述步骤A中，所述叶片图像是以手掌为背景的叶片图片。3.根据权利要求1所述的方法，其中，所述步骤A中，所述叶片为田间自然生长条件下的辣椒叶片，拍摄操作是在所述叶片的生长环境中进行拍摄。4.根据权利要求1所述的方法，其中，所述步骤D包括：SDA：所述卷积核设置有6种尺度，所述6种尺度分别为1
×
1、3
×
3、5
×
5、7
×
7、9
×
9和11
×
11；所述6种尺度的卷积核个数均设置为16个；SDB：去除所述AlexNet模型中的第6层全连接层和第7层全连接层，将第6层全连接层和第7层全连接层均替换为全局平均池化层；SDC：所述AlexNet模型接入softmax分类器。5...
【专利技术属性】
技术研发人员：付有瑶，郭林生，黄芳，方江雄，柯洋洋，陈伟才，
申请(专利权)人：台州学院，
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。