一种基于深度学习的香蕉生长期识别方法及其系统技术方案

本发明专利技术公开了一种基于深度学习的香蕉生长期识别方法及其系统，该方法包括以下步骤：S1.数据的准备与处理；S2.构建及训练AlexNet模型：建立卷积层和池化层；建立全连接层；定义正则化和损失函数，利用所构建的模型进行迭代预测，分别计算准确率，直至准确率达到预设值，输出训练后的AlexNet模型作为香蕉生长期识别模型；存储香蕉生长期识别模型；S3.通过所述香蕉生长期识别模型对待识别图像中的香蕉生长期进行识别；该系统包括：数据收集模块、数据预处理模块和模型构建模块；本发明专利技术通过AlexNet卷积神经网络替代传统的人工特征提取方式实现图像的深层特征提取，该方法能适应复杂的应用，从而达到香蕉生长期图像分类的目的。从而达到香蕉生长期图像分类的目的。从而达到香蕉生长期图像分类的目的。

【技术实现步骤摘要】
一种基于深度学习的香蕉生长期识别方法及其系统


[0001]本专利技术涉及深度学习
，更具体的说是涉及一种基于深度学习的香蕉生长期识别方法及其系统。

技术介绍

[0002]在香蕉果树种植领域，果农需要经常到果园对香蕉的生长期进行判断，也需要经常对香蕉的生长状态进行监控，以及时对香蕉果树进行肥水管理，确保香蕉水分、养分的充足。然而，由于香蕉品种以及种植期不同，果园里香蕉的生长期也不尽相同，果农下果园观测香蕉生长期的方法效率十分低下，因此带来的人力物力资源的浪费是不可避免的，这极大地限制了香蕉种植业的生产和发展。
[0003]因此，如何提供快速高效的一种基于深度学习的香蕉生长期识别方法及其系统是本领域技术人员亟需解决的问题。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于深度学习的香蕉生长期识别方法及其系统，目的在于利用深度学习模型对香蕉的生长状况提供自动化监测服务。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于深度学习的香蕉生长期识别方法，包括以下步骤：
[0007]S1.数据的准备与处理：采集香蕉生长周期内的图像，构成数据集，并对数据集进行处理，获取训练集和验证集；
[0008]S2.构建及训练AlexNet模型：
[0009]S21.建立卷积层和池化层：完成对卷积核的权重和偏置项进行初始化，使用卷积函数和第一激活函数建立卷积层，并在卷积层之后增加最大池化层，在所述第一激活函数之后设置LRN层；/>[0010]S22.建立全连接层：完成全连接层的权重和偏置项进行初始化，使用第二激活函数建立全连接层，同时使用正则化、Dropout和数据增强防止过度拟合；
[0011]S23.定义正则化和损失函数，利用所构建的模型进行迭代预测，分别计算准确率，直至所述准确率达到预设值，输出训练后的AlexNet模型作为香蕉生长期识别模型；
[0012]S24.存储所述香蕉生长期识别模型；
[0013]S3.通过所述香蕉生长期识别模型对待识别图像中的香蕉生长期进行识别。
[0014]优选的，S1的具体内容包括：
[0015](1)构建数据集：采集香蕉生长周期内的图像，构成数据集，其中生长周期包括：抽蕾期和果实膨大期；
[0016](2)数据处理：
[0017]a.设定数据集地址和模型保存地址，并调整图像尺寸；
[0018]b.读取图片
[0019]c.打乱数据集中图像的顺序，按照预设比例将打乱后的数据集分为训练集和验证集，所述训练集的数据用于确定拟合曲线的参数，其中所述测试集用于测试已经训练好的模型的精确度。
[0020]优选的，将所述卷积层设置为5层，分别建立5个卷积层，所述第一激活函数为ReLU激活函数；在S22中，将全连接层设置为3层，分别建立3个全连接层，所述第二激活函数为Sigmoid激活函数。
[0021]优选的，LRN层为：
[0022][0023]其中，N是卷积核的个数，k＝2,n＝5,α＝10
‑4,β＝0.75是超参数，a
ix,y
是卷积核i在(x,y)坐标经过第一激活函数后的特征图。
[0024]优选的，所述AlexNet模型采用ReLU作为所述第一激活函数，用于加快算法的收敛速度；具体表达式为：f(x)＝max(0,x)。
[0025]优选的，S23中，采用L2正则化。
[0026]优选的，还包括识别测试：利用训练好的香蕉生长期识别模型对待识别的香蕉图像进行准确度测试，若准确度未达到预期标准，则调整网络结构和训练参数，重新训练输出生长期识别模型，并进行再次测试直至达到应用标准，输出所处生长期。
[0027]一种基于深度学习的香蕉生长期识别系统，包括：数据收集模块、数据预处理模块和模型构建模块；
[0028]所述数据收集模块，用于采集香蕉生长周期内的图像，构成数据集；
[0029]所述数据预处理模块，用于对数据集进行处理，获取训练集和验证集；
[0030]所述模型构建模块，用于构建香蕉生长期识别模型；
[0031]所述模型构建模块包括卷积层和池化层建立单元、全连接层建立单元、正则化和损失函数定义单元和模型存储单元；
[0032]所述卷积层和池化层建立单元，用于完成对卷积核的权重和偏置项进行初始化，使用卷积函数和第一激活函数建立卷积层，并在部分所述卷积层之后增加最大池化层，在所述第一激活函数之后设置LRN层；
[0033]所述全连接层建立单元，用于完成全连接层的权重和偏置项进行初始化，使用第二激活函数建立全连接层，同时使用正则化和Dropout防止过度拟合；
[0034]所述正则化和损失函数定义单元，用于利用所构建的模型进行迭代预测，分别计算准确率，直至所述准确率达到预设值，输出训练后的AlexNet模型作为香蕉生长期识别模型；
[0035]所述模型存储单元，用于存储所述香蕉生长期识别模型。
[0036]优选的，所述卷积层和池化层建立单元将所述卷积层设置为5层，分别建立5个卷积层，所述第一激活函数为ReLU激活函数；将全连接层设置为3层，分别建立3个全连接层，所述第二激活函数为Sigmoid激活函数。
[0037]优选的，还包括识别测试模块，用于将待识别图像输入所述香蕉生长期识别模型中，识别测试图像中香蕉所处生长期，若识别准确率达标则输出相应生长期结果；若准确率
不达标，则调整模型参数。
[0038]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于深度学习的香蕉生长期识别方法及其系统，通过AlexNet卷积神经网络替代传统的人工特征提取方式实现图像的深层特征提取，该方法能适应复杂的应用，从而达到香蕉生长期图像分类的目的，具体地，采用AlexNet模型具有以下突出优势：
[0039]①
相对传统的深度学习网络，AlexNet增加了网络层数，具有更深的网络结构；
[0040]②
使用Dropout、数据增强(DataAugmentation)和局部响应归一化(LRN)等新的技术点来抑制过度拟合；
[0041]③
使用非线性激活函数ReLU加快算法的收敛，解决训练收敛慢的问题；
[0042]④
多GPU训练网络，利用GPU强大的并行计算功能处理神经网络训练时大量的矩阵运算，提高计算能力。
附图说明
[0043]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0044]图1附图为本专利技术提供的一种基于深度学习的香蕉生长期识别方法中构建的AlexNet模型网络架构示意图；
[0045]图2附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的香蕉生长期识别方法，其特征在于，包括以下步骤：S1.数据的准备与处理：采集香蕉生长周期内的图像，构成数据集，并对数据集进行处理，获取训练集和验证集；S2.构建及训练AlexNet模型：S21.建立卷积层和池化层：完成对卷积核的权重和偏置项进行初始化，使用卷积函数和第一激活函数建立卷积层，并在卷积层之后增加最大池化层，在所述第一激活函数之后设置LRN层；S22.建立全连接层：完成全连接层的权重和偏置项进行初始化，使用第二激活函数建立全连接层，同时使用正则化、Dropout和数据增强防止过度拟合；S23.定义正则化和损失函数，利用所构建的模型进行迭代预测，分别计算准确率，直至所述准确率达到预设值，输出训练后的AlexNet模型作为香蕉生长期识别模型；S24.存储所述香蕉生长期识别模型；S3.通过所述香蕉生长期识别模型对待识别图像中的香蕉生长期进行识别。2.根据权利要求1所述的一种基于深度学习的香蕉生长期识别方法，其特征在于，S1的具体内容包括：(1)构建数据集：采集香蕉生长周期内的图像，构成数据集，其中生长周期包括：抽蕾期和果实膨大期；(2)数据处理：a.设定数据集地址和模型保存地址，并调整图像尺寸；b.读取图片c.打乱数据集中图像的顺序，按照预设比例将打乱后的数据集分为训练集和验证集，所述训练集的数据用于确定拟合曲线的参数，其中所述测试集用于测试已经训练好的模型的精确度。3.根据权利要求1所述的一种基于深度学习的香蕉生长期识别方法，其特征在于，在S21中，将所述卷积层设置为5层，分别建立5个卷积层，所述第一激活函数为ReLU激活函数；在S22中，将全连接层设置为3层，分别建立3个全连接层，所述第二激活函数为Sigmoid激活函数。4.根据权利要求1所述的一种基于深度学习的香蕉生长期识别方法，其特征在于，LRN层为：其中，N是卷积核的个数，k＝2,n＝5,α＝10
‑4,β＝0.75是超参数，a
ix,y
是卷积核i在(x,y)坐标经过第一激活函数后的特征图。5.根据权利要求1所述的一种基于深度学习的香蕉生长期识别方法，其特征在于，所述AlexNet模型采用ReLU作为所述第一激活函数，用于加...

【专利技术属性】
技术研发人员：李丽容，万璐，杨凯，陈蔚琪，李兴权，
申请(专利权)人：福建省气象科学研究所，
类型：发明
国别省市：