一种基于深度学习目标检测和图像识别的作物病害检测方法技术

本发明专利技术公开了一种基于深度学习目标检测和图像识别的作物病害检测方法，包括作物病害图像采集模块、作物病害图像处理模块、作物病害图像识别模块，所述作物病害图像处理模块包括图像增强单元、图像复原单元、图像编码与压缩单元、图像分割单元，所述作物病害图像识别模块通过识别模型对经过作物病害图像处理模块处理的图像进行识别。本发明专利技术可以实时识别多种不同的作物病害，具有更高的分类精度、更低的计算复杂度，从而在病害图像识别的准确度和效率上都得到了大幅度的提高。效率上都得到了大幅度的提高。效率上都得到了大幅度的提高。

【技术实现步骤摘要】
一种基于深度学习目标检测和图像识别的作物病害检测方法


[0001]本专利技术涉及图像识别
，具体为一种基于深度学习目标检测和图像识别的作物病害检测方法。

技术介绍

[0002]中国耕地面积排世界第3位,作为一个人口大国,保障粮食不仅关系到人民福祉也同时会影响社会安定，而农作物病虫害对农业影响巨大，因此对农作物的病虫害进行准确的识别并推荐合适的防治措施,对于农业生产意义重大。随着计算机技术的发展,图像识别算法开始运用到作物病虫害识别过程中。传统的图像识别技术在对图像进行预处理后提取图像的颜色纹理等的特征，基于这些提取的特征值进行线性建模。然而这种传统的图像识别方法，局限性大，对非线性数据的识别成功率很低，因而在农作物病害检测中,其模型的识别成功率非常不理想。
[0003]因此，亟需识别准确率更高的作物病害检测方法，提升作物病虫害检测效率，降低检测成本。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习目标检测和图像识别的作物病害检测方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种基于深度学习目标检测和图像识别的作物病害检测方法，包括作物病害图像采集模块、作物病害图像处理模块、作物病害图像识别模块，所述作物病害图像处理模块包括图像增强单元、图像复原单元、图像编码与压缩单元、图像分割单元，所述作物病害图像识别模块通过识别模型对经过作物病害图像处理模块处理的图像进行识别；
[0007]识别模型包括数据集制作模块和训练识别模型模块，所述数据集制作模块包括图像获取单元、图像调整单元、图像扩充单元和数据集划分单元，所述训练识别模型模块采用利用ResNet50卷积神经网络算法对数据集进行深度特征提取，所述训练识别模型模块利用SVM分类器对深度特征进行分类。
[0008]进一步地，所述数据集制作模块中的图像获取单元采用高清照相机在作物自然生长环境下进行病虫害图片采集。
[0009]进一步地，所述数据集制作模块中的图像扩充单元，通过对获取到的病虫害图像进行旋转、平移、高斯模糊、亮度调节、灰度调节处理扩充数据集。
[0010]进一步地，所述数据集制作模块中的数据集划分单元中训练集、验证集和测试集的比例为3:1:1。
[0011]进一步地，所述训练识别模型模块训练方式使用预先训练的CNN网络的深度学习模型通过迁移学习方式进行训练。
[0012]进一步地，所述训练识别模型模块训练方式中迁移学习方式步骤包括：获取作物
病害图像；根据深度网络调整植物图像大小；以全连接层、softmax层和分类输出层袋体预处理的深层模型的后三层，采用预处理的CNN网络来解决问题；以新创建的深度模型进行分类。
[0013]进一步地，所述训练识别模型模块采用深度学习框架Pytorch，使用Adam优化算法。
[0014]与现有技术相比，本专利技术的有益效果是：
[0015]1、本专利技术识别模型采用cnn作为基础的深度学习工具，ResNet50卷积神经网络算法对数据集进行深度特征提取，SVM分类器对深度特征进行分类，可以实时识别多种不同的作物病害，具有更高的分类精度、更低的计算复杂度，从而在病害图像识别的准确度和效率上都得到了大幅度的提高；
[0016]2、本专利技术中中，图像获取单元采用高清照相机在作物自然生长环境下进行病虫害图片采集，保证了数据集采样的图像最大程度的接近作物病害的真实图像，保证了与需要识别的图像的获取环境具有高度的一致性，最大可能排出了其他因素对于数据集质量的干扰；
[0017]3、本专利技术通过对获取到的病虫害图像进行旋转、平移、高斯模糊、亮度调节、灰度调节处理扩充数据集，这样不仅可以一定程度上缓解数据不平衡问题同时也可以使模型有更好的泛化效果；
[0018]4、本专利技术中，使用预先训练的CNN网络的深度学习模型通过迁移学习方式进行训练比训练随机初始化权值的CNN模型更快、更容易。
附图说明
[0019]图1为一种基于深度学习目标检测和图像识别的作物病害检测方法的原理图；
[0020]图2为一种基于深度学习目标检测和图像识别的作物病害检测方法中识别模型的原理图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]实施例1：请参阅图1～2，一种基于深度学习目标检测和图像识别的作物病害检测方法，包括作物病害图像采集模块、作物病害图像处理模块、作物病害图像识别模块，所述作物病害图像处理模块包括图像增强单元、图像复原单元、图像编码与压缩单元、图像分割单元，所述作物病害图像识别模块通过识别模型对经过作物病害图像处理模块处理的图像进行识别；
[0023]识别模型包括数据集制作模块和训练识别模型模块，所述数据集制作模块包括图像获取单元、图像调整单元、图像扩充单元和数据集划分单元，所述训练识别模型模块采用利用ResNet50卷积神经网络算法对数据集进行深度特征提取，所述训练识别模型模块利用SVM分类器对深度特征进行分类。
[0024]本实施例中的识别模型采用cnn作为基础的深度学习工具，ResNet50卷积神经网络算法对数据集进行深度特征提取，所述训练识别模型模块利用SVM分类器对深度特征进行分类。SVM支持向量机方法的目标是有一个线性判别函数，它的边缘值最大，能够将类之间分离开来。最接近超平面的学习数据称为支持向量。支持向量机可以将数据集分类为线性可区分的和不可区分的，能够成熟应用于解决图像识别问题。ResNet50卷积神经网络算法的优点在精度和速度都比较好，且复杂度低，非常适合在图像识别中使用。可以实时识别多种不同的作物病害，具有更高的分类精度、更低的计算复杂度，从而在病害图像识别的准确度和效率上都得到了大幅度的提高。
[0025]实施例2：请参阅图1～2，一种基于深度学习目标检测和图像识别的作物病害检测方法，与实施例1的区别在于，所述数据集制作模块中的图像获取单元采用高清照相机在作物自然生长环境下进行病虫害图片采集。
[0026]所述数据集制作模块中的图像扩充单元，通过对获取到的病虫害图像进行旋转、平移、高斯模糊、亮度调节、灰度调节处理扩充数据集。
[0027]所述数据集制作模块中的数据集划分单元中训练集、验证集和测试集的比例为3:1:1。
[0028]本实施例中，图像获取单元采用高清照相机在作物自然生长环境下进行病虫害图片采集，保证了数据集采样的图像最大程度的接近作物病害的真实图像，保证了与需要识别的图像的获取环境具有高度的一致性，最大可能排出了其他因素对于数据集质量的干扰；
[0029]通过对获取到的病虫害图像进行旋转、平移、高斯模糊、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目标检测和图像识别的作物病害检测方法，其特征在于，包括作物病害图像采集模块、作物病害图像处理模块、作物病害图像识别模块，所述作物病害图像处理模块包括图像增强单元、图像复原单元、图像编码与压缩单元、图像分割单元，所述作物病害图像识别模块通过识别模型对经过作物病害图像处理模块处理的图像进行识别；识别模型包括数据集制作模块和训练识别模型模块，所述数据集制作模块包括图像获取单元、图像调整单元、图像扩充单元和数据集划分单元，所述训练识别模型模块采用利用ResNet50卷积神经网络算法对数据集进行深度特征提取，所述训练识别模型模块利用SVM分类器对深度特征进行分类。2.根据权利要求1所述的一种基于深度学习目标检测和图像识别的作物病害检测方法，其特征在于：所述数据集制作模块中的图像获取单元采用高清照相机在作物自然生长环境下进行病虫害图片采集。3.根据权利要求1所述的一种基于深度学习目标检测和图像识别的作物病害检测方法，其特征在于：所述数据集制作模块中的图像扩充单元，通过对获取到的病虫害图像进...

【专利技术属性】
技术研发人员：赵绪东，吴桢芬，杨启良，毛译，余红，赵涵，李跃聪，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：