【技术实现步骤摘要】
一种基于人工智能的植物叶片病害分类方法
[0001]本专利技术属于生物农业领域,涉及深度学习技术,具体是一种基于人工智能的植物叶片病害分类方法。
技术介绍
[0002]植物叶片是进行光合作用的主要场所,植物叶片病害降低了光合作用效率,严重影响叶片的光合作用效能和植物对有机物的合成和能量的获得,成为制约农作物高产,优质的主要障碍。同时不同程度的病害降低营养蛋白的合成和产量的减少,影响作物的经济效益。
[0003]传统的植物叶片病害识别,主要依赖于历代研究人员在植物生产过程中积累的经验来进行判断,对植物生产者有着较高的专业知识要求。在判别植物叶片病害时往往是通过眼睛进行观察,带有更多的主观性,产生较多的错误,从而阻碍了植物的及时治疗。同时,传统的方法需要消耗大量的人力和物力。因此,当今的农业生产需要一套新的体系将生产者从低效和复杂的植物叶片病害识别过程中解放出来。由于人工智能的飞速发展,图像处理和深度学习技术越来越成熟。利用深度学习技术来智能化的识别植物叶片病害,从而解决传统方法存在的弊端,提高植物产量,具有重要的意义。
[0004]由于深度学习技术在植物叶片病害识别方面具有较好的表现能力,为此,提出一种基于人工智能的植物叶片病害分类方法。
技术实现思路
[0005]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此,本专利技术提出一种基于人工智能的植物叶片病害分类方法,该一种基于人工智能的植物叶片病害分类方法解决了在判别植物叶片病害时往往是通过眼睛进行观察,带有更多的主观性,产生较 ...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的植物叶片病害分类方法,其特征在于,包括以下步骤:步骤一:从数据集获取有标签的源域图像,对数据集进行增强处理,增加样本数量;步骤二:将数据集按照设定的比例划分为训练集、验证集以及测试集;步骤三:构建ERCP
‑
Net网络模型,其中,所述ERCP
‑
Net网络模型包括卷积层和池化层、三个ER
‑
Block+PC
‑
Block模块以及输出层;步骤四:训练ERCP
‑
Net网络模型,利用反向传播算法迭代更新网络参数;步骤五:使用训练好的ERCP
‑
Net网络模型对植物叶片病害进行分类。2.根据权利要求1所述的一种基于人工智能的植物叶片病害分类方法,其特征在于,对数据集进行增强处理的方法包括:随机水平翻转、随机垂直翻转、图像角度在0~35度之间随机旋转以及添加高斯噪声。3.根据权利要求1所述的一种基于人工智能的植物叶片病害分类方法,其特征在于,将数据集按照6:2:2的比例划分为训练集、验证集以及测试集。4.根据权利要求1所述的一种基于人工智能的植物叶片病害分类方法,其特征在于,所述ERCP
‑
Net网络模型,包括以下步骤:S1:接收输入图片;其中,输入图像的尺寸为416
×
416;S2:对所述输入图片进行双重降维操作;其中,第一次降维使用核尺寸为7,步长为2的卷积;第二次降维使用最大池化;S3:连续使用三个ER
‑
Block+PC
‑
Block模块,将三个ER
‑
Block+PC
‑
Block模块的输出结果进行多角度特征图融合;S4:将最终的特征信息反馈给输出层。5.根据权利要求4所述的一种基于人工智能的植物叶片病害分类方法,其特征在于,所述ER
‑
Block模块包括图像特征信息提取层和残差边;图像特征信息提取层将池化得到的特征输入到卷积层;残差边将上层的梯度信息完整的与第一部分的输出信息相结合;图像特征信息提取层由三个不同大小的池...
【专利技术属性】
技术研发人员:傅谢生,卢雅婷,葛晓阳,产思贤,
申请(专利权)人:潜山市黄泥镇农业技术推广站,
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。