【技术实现步骤摘要】
基于鲸鱼优化算法和CNN模型的荔枝病虫害识别方法
[0001]本专利技术涉及农业病虫害识别
，更具体的说是涉及基于鲸鱼优化算法和CNN模型的荔枝病虫害识别方法。
技术介绍
[0002]荔枝霜疫霉病、炭疽病、白粉病、煤烟病等荔枝病虫害是导致荔枝产量下降、收成不佳的重要因素，因此准确识别荔枝病虫害，提前对症下药，是目前荔枝生产管理的重要课题。
[0003]传统的荔枝病虫害识别主要依靠人工经验与人眼观察，这种方式不仅耗时耗力，而且准确率也无法保证，容易出现人工误判、漏判等问题。随着深度学习相关技术的发展，越来越多科研人员用深度学习技术来处理病虫害的识别问题，目前主流的方法是输入病虫害的RGB图像数据集，利用卷积神经网络对病虫害图像数据集进行训练，从而达到准确识别病虫害的目的。但是，还存在一些病虫害是肉眼观察不到叶片发病症状，而被其侵害的叶片内部机理却已被破环的情况，因此，如何识别此类荔枝病虫害是一大难题。
技术实现思路
[0004]有鉴于此，本专利技术提供了一种基于鲸鱼优化算法和CNN模型的荔枝病虫害...
【技术保护点】
【技术特征摘要】
1.一种基于鲸鱼优化算法和CNN模型的荔枝病虫害识别方法，其特征在于，包括：获取荔枝冠层叶片遥感图像，包括健康叶片和患不同病虫害叶片；对荔枝冠层叶片遥感图像进行特征提取，计算出荔枝冠层叶片遥感图像对应的植被指数和纹理特征；基于鲸鱼优化算法获取最优CNN结构参数；将最优CNN结构参数作为CNN模型参数，并将植被指数和纹理特征输入至最优CNN结构参数的CNN模型中，经训练后判断荔枝叶片是否患病以及患病类型。2.根据权利要求1所述的一种基于鲸鱼优化算法和CNN模型的荔枝病虫害识别方法，其特征在于，基于鲸鱼优化算法获取最优CNN结构参数的具体过程为：步骤a:设置代理数量和最大迭代次数,初始化鲸群领头鲸的位置；步骤b:将领头鲸的初始化位置作为卷积神经网络的初始空间向量，计算各个个体的适应度值,并根据以下公式进行空间向量更新：应度值,并根据以下公式进行空间向量更新：应度值,并根据以下公式进行空间向量更新：式中，是[0,1]的随机向量，a为收敛因子，N为最大迭代数，t表示当前迭代次数，表示第一个系数向量，表示第二个系数向量；步骤c:判断当前迭代次数是否不小于最大迭代次数，若不满足执行步骤d，否则输出当前最优鲸鱼个体的位置作为最优CNN结构参数；步骤d：根据随机数P，更新所有鲸鱼个体位置，具体包括：判断随机数p值是否小于0.5，若随机数p值不小于0.5，采用如下公式更新所有鲸鱼个体的位置：体的位置：体的位置：其中，b为螺旋线常数，l为[0,1]的随机数，x
best
(t)为当前最优鲸鱼个体的位置，N为最大迭代数，x
n
(t)表示当前鲸鱼个体的位置，x
n
(t+1)表示下一次迭代的鲸鱼个体位置，表示表示在当前迭代次数之前的所有迭代次数中筛选出来的最优鲸鱼个体位置与当前鲸鱼个体位置之间的距离；若随机数p值小于0.5，判断的模是否小于1，若的模不小于1时，随机选取某个个体作为当前最优位置，并采用如下公式更新其他鲸鱼的位置：
x
rand
(t)表示随机选择的鲸鱼个体的位置；若的模小于1时，选取适应度值最小的个体作为当前最优鲸鱼个体，并采用如下公式更新其他鲸鱼位置：更新其他鲸鱼位置：更新其他鲸鱼位置：步骤d:加入高斯变异，对鲸鱼个体位置进行更新：x
n
(t+1)＝w
new1
·
f1(x
best
(t)
‑
x
n
(t))+w
new2
·
f2(x
rand
(t)
‑
x
n
(t))其中，w
new1
和w
new2
均是值为0.5的权重系数，f1和f2均是均值为0、方差为1的高斯分布随机数函数，作为高斯分布的函数系数，x
n
(t)为当前鲸鱼个体的位置，x
best
(t)为当前最优鲸鱼个体的位置，x
rand
(t)为随机选择的鲸鱼个体的位置；返回步骤b，将步骤d中得到的当前最优鲸鱼个体位置作为下一次迭代的领头鲸位置，以此循环直到在步骤c中达到最大迭代次数。3.根...
【专利技术属性】
技术研发人员：谢家兴，王嘉鑫，陈裕锋，陈绍楠，谌文，吕振东，李君，申济源，孙道宗，莫汉东，
申请(专利权)人：华南农业大学，
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。