基于深度学习的植物病害识别方法和系统技术方案

本发明专利技术涉及智慧农业技术领域，公开一种基于深度学习的植物病害识别方法和系统，方法包括获取多种农作物的多种病害病症作为数据集，对所述数据集进行预处理并分为训练集和测试集；建立包括卷积神经网络和Inception

【技术实现步骤摘要】
基于深度学习的植物病害识别方法和系统


[0001]本专利技术涉及智慧农业
，尤其是指一种基于深度学习的植物病害识别方法和系统。

技术介绍

[0002]病害防治是保证植物生产安全的重要保障，也能有效提高农作物的产量和品质。预防和控制的前提是能够及时准确地发现疾病并确定其类型和严重程度。在植物病害鉴定中，研究对象一般取自植物的茎、叶、果实、枝条等具有明显特征的部位。与其他部位相比，植物叶片更容易获得，具有明显的病害特征。然而，不同疾病的症状呈现出模糊性、复杂性和相似性。由于农民的相对科学文化水平较低，无法准确、及时地诊断植物病害的发生期和发展过程。只有在人眼发现植物处于严重病变时才喷洒大剂量农药，可能导致农作物产量大幅下降，甚至给环境带来污染。因此，如何快速、简便、准确地检测和识别植物病害，评估危害程度，为病害防治提供有效信息，已成为作物生产中的重要问题。
[0003]随着计算机技术和手机应用不断发展，拍照和录像已经成为手机的必备功能，获取植物图片非常容易。随着网络技术发展，人们可以在网络上共享数据，不仅丰富了数据素材，而且降低了获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的植物病害识别方法，其特征在于，包括：获取多种农作物的多种病害病症作为数据集，对所述数据集进行预处理并分为训练集和测试集；建立包括卷积神经网络和Inception
‑
v3模型的检测模型，使用所述训练集训练所述卷积神经网络得到训练完成的检测模型，将所述测试集输入所述训练完成的检测模型得到植物病害识别结果。2.根据权利要求1所述的基于深度学习的植物病害识别方法，其特征在于：所述预处理的方法包括：对所述数据集进行数据增强生成多样化的图像数据。3.根据权利要求1所述的基于深度学习的植物病害识别方法，其特征在于：所述卷积神经网络包括五个卷积层和五个最大池化层，所述卷积神经网络中的第一个卷积层的输入宽度和高度均为128。4.根据权利要求3所述的基于深度学习的植物病害识别方法，其特征在于：所述卷积层融合卷积神经网络和Inception
‑
v3模型，卷积层的卷积运算为：s(t)＝(x*w)(t)；其中，x是卷积层的输入，w是卷积层的内核，s(t)是输出的特征图，离散卷积是矩阵乘法。5.根据权利要求3所述的基于深度学习的植物病害识别方法，其特征在于：五个所述最大池化层的物理尺寸沿输入到输出方向逐层缩小。6.根据权利要求1所述的基于深度学习的植物病害识别方法，其特征在于：使用所述训练集训练所述卷积神经网络得到训练完成的检测模型，将所述测试集输入所述训练完成的检测模型得到植物病害识别结...

【专利技术属性】
技术研发人员：尤佳，武贵路，丁文杰，陆波，
申请(专利权)人：安徽中科利民高新产业有限公司，
类型：发明
国别省市：