一种基于InheritfeatNet算法的农作物病虫害分类识别方法技术

本发明专利技术公开了一种基于InheritfeatNet算法的农作物病虫害分类识别方法，属于深度学习领域，包括如下步骤：步骤1、获取各个种类的农作物病虫害图像，制作农作物病虫害样本数据集；步骤2、构建图像智能处理IPS模块，用于对输入图像进行预处理；步骤3、搭建基于InheritfeatNet算法的农作物病虫害识别分类网络模型；步骤4、训练并优化所搭建的农作物病虫害识别分类网络模型；步骤5、对训练好的农作物病虫害识别分类网络模型进行模型评估，输出并保存评估性能良好的模型；步骤6、利用训练完成的农作物病虫害识别分类网络模型对输入图像进行识别；图像的获取和识别过程中，为用户提供智能化反馈。本发明专利技术对病虫害识别分类准确度高，降低了对算力的要求。降低了对算力的要求。降低了对算力的要求。

【技术实现步骤摘要】
一种基于InheritfeatNet算法的农作物病虫害分类识别方法


[0001]本专利技术属于深度学习领域，具体涉及一种基于InheritfeatNet算法的农作物病虫害分类识别方法。

技术介绍

[0002]近年来，各种农作物病虫害在我国仍呈现高发态势，加之我国病虫害具有覆盖面积大、发生几率高、病虫害种类多，并时常暴发成灾的特点，一旦有病虫害发生，将直接导致农作物减产、品质严重下降，给我国农业生产造成重大损失。由于广大农民往往依靠传统经验进行粗略判断，再利用当地容易获取的农药农资，实施一些简单粗暴的防治措施。因此产生的农药滥用现象，不仅直接导致生态失衡，而且也危害着百姓的身体健康。目前已有的一些农作物病虫害识别技术在面对户外噪声较多的环境时表现较差，处理对用户上传图像质量要求较高。传统的识别分类网络在图像目标主体清晰明确时，可以其进行准确分类识别，但是对于在噪声较大的环境中，图像质量不高的条件下，识别效果差。
[0003]Zhang等人利用深度学习技术设计了一套判断苹果叶片病菌感染的系统，研究者将搜集到的苹果叶分成4类，分别是健康叶片、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于InheritfeatNet算法的农作物病虫害分类识别方法，其特征在于，包括如下步骤：步骤1、获取各个种类的农作物病虫害图像，制作农作物病虫害样本数据集；步骤2、构建图像智能处理IPS模块，用于对输入图像进行预处理；步骤3、搭建基于InheritfeatNet算法的农作物病虫害识别分类网络模型；步骤4、训练并优化所搭建的农作物病虫害识别分类网络模型；步骤5、对训练好的农作物病虫害识别分类网络模型进行模型评估，输出并保存评估性能良好的模型；步骤6、利用训练完成的农作物病虫害识别分类网络模型对输入图像进行识别；图像的获取和识别过程中，为用户提供智能化反馈。2.根据权利要求1所述基于InheritfeatNet算法的农作物病虫害分类识别方法，其特征在于，所述步骤1中，制作的样本数据集包括已有的各个种类的农作物病虫害数据库中的公开数据集和通过设备实地拍摄采集的农作物病虫害图片；样本数据集为带标签的农作物病虫害数据集，包括不同农作物不同的发病时间、不同的发病部位和不同生长阶段所采集的不同病虫害数据。3.根据权利要求1所述基于InheritfeatNet算法的农作物病虫害分类识别方法，其特征在于，所述步骤2的具体过程如下：步骤2.1、首先判断图像主体是否模糊，使用Sobel检测算子提取图像水平和垂直方向的梯度值，根据Tenengrad评价函数，对输入图像的模糊程度进行评估，具体公式如下：的梯度值，根据Tenengrad评价函数，对输入图像的模糊程度进行评估，具体公式如下：其中，(x,y)为二维图像中的边缘点坐标，Sobel(x,y)表示图像在(x,y)点处的梯度，G
x
、G
y
分别为横向、纵向边缘检测的图像灰度值，I(x,y)代表原始图像；Tenengrad表示图像清晰度评价指数，n表示图像中的像素总数；步骤2.2、采用角度测定法判别图像是否存在歪斜；角度测定法具体过程如下：定义alpha为设备水平放置时，绕Z轴旋转的角度；beta为设备水平放置时，绕X轴旋转的角度；gamma为移动设备水平放置时，绕Y轴旋转的角度；若当前图像的gamma超出设定范围时，则判定为存在歪斜情况；步骤2.3、根据评估结果对图像进行相应处理；综合步骤2.1和步骤2.2的检测共得到四种评估结果：清晰歪斜，清晰不歪斜，模糊不歪斜，模糊歪斜；当评估结果为清晰不歪斜时，对图像不做任何处理；当评估结果为模糊歪斜时，先依据透视变换原理，将歪斜的图像的主体进行矫正；然后对经过矫正变换的图像进行图像信息增强处理；当评估结果为清晰歪斜时，则只对图像进行矫正；当评估结果模糊不歪斜时，则只对图像进行信息增强操作。4.根据权利要求3所述基于InheritfeatNet算法的农作物病虫害分类识别方法，其特征在于，矫正的具体过程为：
在病变的叶片外，依据叶片轮廓随机选择八个特征点，每个特征点沿该点梯度方向扩大相同的步长，根据像素值的改变来判断是否将叶片完全包含；将每个点所对应的特征矩阵输入透视变换方程，每一个特征点(x,y)均对应一个目标点(x
’
,y
’
)，根据公式(3)平面坐标与齐次坐标的对应关系，得出透视变换矩阵方程，通过解出公式(4)中八个点所对应的透视变换矩阵方程来得出变换后的八个点的坐标，再通过公式(5)将原图像变换至此位置得出矫正后的图像；该部分所使用的具体公式如下：出矫正后的图像；该部分所使用的具体公式如下：出矫正后的图像；该部分所使用的具体公式如下：其中，w为扩展维度变量，R为实数域二维坐标点，P为射影空间三维坐标点；fg
1～8
代表在图像周围选取的八个特征点，T代表需要进行识别分类的目标区域，scr代表输入原始特征矩阵，dst代表输出处理后的特征矩阵，M代表每一个坐标点对应位置的特征矩阵，M
11
为fg1所对应位置的特征矩阵。5.根据权利要求3所述基于InheritfeatNet算法的农作物病虫害分类识别方法，其特征在于，图像信息增强的具体过程为：采用Gamma变换，设置输入灰度级r，以r＝1为基准，当r>1时，拉伸图像高灰度的区域同时压缩低灰度的区域，当...

【专利技术属性】
技术研发人员：李瑞泽，张功磊，苏令涛，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：