System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及农作物病虫害识别,具体为一种基于cnn的农作物病虫害识别方法及系统。
技术介绍
1、农作物病虫害是农业生产中常见的问题,对农作物产量和质量造成严重影响,准确的害虫识别是害虫防治和施药的先决条件,传统的农作物病虫害识别方法主要依赖于人工观察和经验判断,存在识别准确性低、效率低下等问题,而且对病虫害的诊断都是需要专业知识的,一般的农民可能没有具备相应的知识,此外病虫害的判断严重依赖于专业人员的水平,其结果有很大的主观性。近年来,卷积神经网络(convolutional neural network,cnn)在图像识别领域取得了显著的进展。cnn能够自动提取图像中的特征,并通过训练模型进行分类和识别。因此,将cnn应用于农作物病虫害识别具有重要意义。
2、现有技术中的,公开号为cn 115937128 a提供的一种针农作物病虫害识别方法及系统,其通过对所述农作物病虫害图像数据集进行数据增强构建改进的残差网络,根据所述数据增强后的农作物病虫害图像数据集进行模型训练,得到目标模型,通过所述目标模型进行农作物病虫害识别,但是该方案只是单纯的对于图片所拍摄的图像进行识别,但是在很多情况下,农作物病虫害并不仅仅表现在表面,还会影响农作物的水分、叶绿素含量、植株的大小等情况,单纯从农作物的外表进行分析,并不能在农作物出现病虫害的初期进行有效的判断,因此现有技术中缺乏一种针对农作物的照片,通多识别其生长中的特点,进行综合分析判断病虫害程度的方法。
3、在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理
技术实现思路
1、本专利技术的目的在于提供一种基于cnn的农作物病虫害识别方法及系统,以解决上述
技术介绍
中提出的问题。
2、为实现上述目的,本专利技术提供如下技术方案:
3、一种基于cnn的农作物病虫害识别方法及系统,具体步骤包括:
4、s1:收集现有的农作物图像构成训练数据集,对训练数据集内部图像进行预处理,并对训练数据集内部的图像进行标注,构成样本标签,样本标签的内容为农作物的形态大小数据、状态数据以及叶绿素含量数据和水分含量数据,每一个图像的样本标签和图像一一对应;
5、s2:构建基于卷积神经网络的深度学习模型,将数据集划分为训练集和验证集,将训练数据集内部图像输入深度学习模型,比较输出的结果与其对应的样本标签的误差,并根据误差通过反向传播和优化算法调整模型的权重和参数,并使用验证集评估训练后的模型,直至评估结果的准确率和精确率满足需求,输出验证后的深度学习模型;
6、s3:对待进行识别的农作物图像进行预处理,然后使用验证后的深度学习模型对于预处理后的农作物图像进行识别,获取农作物的形态大小数据和状态数据,以及叶绿素含量数据和水分含量数据;
7、s4:根据识别出的农作物的形态大小数据和状态数据,以及叶绿素含量数据和水分含量数据做无量纲处理,生成生长状态系数,综合评估农作物的病虫害情况;
8、s5:将待进行识别的农作物图像采用lambert光照模型进行识别,获取农作物所处环境的光照强度,并依据农作物的实时光照强度生成光照修正系数对于生长状态系数进行修正,生成状态判断指数;
9、s6:根据生成的生长状态系数进行分析,与预设的状态阈值进行对比,依据农作物图像判断农作物的病虫害的情况。
10、在其中一个实施例中,所述图像数据集包括农作物各个生长周期的图像,同一生长阶段的图像包括正面、侧面和顶部不同角度的图像,对训练数据集内部图像进行预处理的具体逻辑为将图像进行裁剪,让图像内部像素点的数量相同,然后将图像转换为灰度图像,通过去除颜色信息简化图像,并减少后续处理的计算量。
11、在其中一个实施例中,所述样本标签中的状态数据包括叶片的卷曲程度数据和斑驳度数据。
12、在其中一个实施例中,深度学习模型卷积神经网络采用resnet架构,所述深度学习模型输出的结果为对应图像中农作物的形态大小、状态数据、叶片叶绿素含量和水分含量。
13、在其中一个实施例中,所述训练集和验证集的划分比例为7:3,输出的结果与其对应的样本标签的误差包括准确率和精确率,准确率为输出的形态大小、输出状态数据和样本标签中形态大小数据和状态数据构成的形态误差率,精确率为叶片叶绿素含量和水分含量分别和样本标签中对应的叶绿素含量和水分含量构成的状态误差率,准确率和精确率所依据的具体公式为:
14、
15、
16、其中,μ为评估的准确率,δ为评估的精确率,xt、jq、bb为深度学习模型输出的形态大小数据、卷曲程度数据和斑驳度数据,yl、sf为深度学习模型输出的叶绿素含量数据和水分含量数据,xt0、jq0、bb0为样本标签中的形态大小数据、卷曲程度数据和斑驳度数据,yl0、sf0为样本标签中的叶绿素含量数据和水分含量数据。
17、在其中一个实施例中,当且仅当验证集中超过的80%的数据集验证后的准确率和精确率满足γ≤12%、β≤5%时,证明深度学习模型满足要求,可以输出验证后的深度学习模型,否则根据误差通过反向传播和优化算法调整模型的权重和参数,直至满足条件。
18、在其中一个实施例中,生成生长状态系数所依据的公式为:
19、
20、式中,szt为生长状态系数,xtj、jqj、bbj,分别为深度学习模型识别出的农作物的形态大小数据、卷曲程度数据和斑驳度数据,ylj和sfj分别为深度学习模型识别出的农作物的叶绿素含量数据和水分含量数据,xtb为农作物当前生长情况下的标准形态数据,根据农作物的种植时间确定,α为形态权重系数,β为状态权重系数,γ为含量权重系数,α≥β>γ,且α+β+γ=1。
21、在其中一个实施例中,依据农作物图像判断农作物的病虫害情况的具体逻辑为:
22、当szp≤0.2zy时,状态判断指数较小,判断农作物的生长情况较好,遭受的病虫害程度较低;
23、当0.2zy<szp<0.72zy时,判断农作物的生长情况一般,正在开始遭受病虫害的损害;
24、当szp≥0.72zy时,判断农作物的生长情况较差,已经长期遭受病虫害的损害。
25、其中,zy为预设的状态阈值,szp为状态判断指数。
26、本专利技术另外还提供一种基于cnn的农作物病虫害识别系统,所述病虫害识别系统用于实现上述的一种农作物病虫害识别方法,包括:
27、训练集构建模块,用于收集现有的农作物图像构成训练数据集,对训练数据集内部图像进行预处理,并对训练数据集内部的图像进行标注,构成样本标签,样本标签的内容为农作物的生长情况和照片的环境情况,每一个图像的样本标签和图像一一对应;
28、学习模型构建模块,构建基于卷积神经网络的深度学习模型,将数据集划分为训练集和验证集,将训练数据集内本文档来自技高网...
【技术保护点】
1.一种基于CNN的农作物病虫害识别方法,其特征在于,具体步骤包括:
2.根据权利要求1所述的一种基于CNN的农作物病虫害识别方法,其特征在于:所述图像数据集包括农作物各个生长周期的图像,同一生长阶段的图像包括正面、侧面和顶部不同角度的图像,对训练数据集内部图像进行预处理的具体逻辑为将图像进行裁剪,让图像内部像素点的数量相同,然后将图像转换为灰度图像,通过去除颜色信息简化图像,并减少后续处理的计算量。
3.根据权利要求2所述的一种基于CNN的农作物病虫害识别方法,其特征在于:所述样本标签中的状态数据包括叶片的卷曲程度数据和斑驳度数据。
4.根据权利要求1所述的一种基于CNN的农作物病虫害识别方法,其特征在于:深度学习模型卷积神经网络采用ResNet架构,所述深度学习模型输出的结果为对应图像中农作物的形态大小、状态数据、叶片叶绿素含量和水分含量。
5.根据权利要求1所述的一种基于CNN的农作物病虫害识别方法,其特征在于:所述训练集和验证集的划分比例为7:3,输出的结果与其对应的样本标签的误差包括准确率和精确率,准确率为输出的形态大小、
6.根据权利要求4所述的一种基于CNN的农作物病虫害识别方法,其特征在于:当且仅当验证集中超过的80%的数据集验证后的准确率和精确率满足γ≤12%、β≤5%时,证明深度学习模型满足要求,可以输出验证后的深度学习模型,否则根据误差通过反向传播和优化算法调整模型的权重和参数,直至满足条件。
7.根据权利要求1所述的一种基于CNN的农作物病虫害识别方法,其特征在于:生成生长状态系数所依据的公式为:
8.根据权利要求1所述的一种基于CNN的农作物病虫害识别方法,其特征在于:依据农作物图像判断农作物的病虫害情况的具体逻辑为:
9.一种基于CNN的农作物病虫害识别系统,其特征在于:所述病虫害识别系统用于实现权利要求1-8任一项所述的一种农作物病虫害识别方法,包括:
...【技术特征摘要】
1.一种基于cnn的农作物病虫害识别方法,其特征在于,具体步骤包括:
2.根据权利要求1所述的一种基于cnn的农作物病虫害识别方法,其特征在于:所述图像数据集包括农作物各个生长周期的图像,同一生长阶段的图像包括正面、侧面和顶部不同角度的图像,对训练数据集内部图像进行预处理的具体逻辑为将图像进行裁剪,让图像内部像素点的数量相同,然后将图像转换为灰度图像,通过去除颜色信息简化图像,并减少后续处理的计算量。
3.根据权利要求2所述的一种基于cnn的农作物病虫害识别方法,其特征在于:所述样本标签中的状态数据包括叶片的卷曲程度数据和斑驳度数据。
4.根据权利要求1所述的一种基于cnn的农作物病虫害识别方法,其特征在于:深度学习模型卷积神经网络采用resnet架构,所述深度学习模型输出的结果为对应图像中农作物的形态大小、状态数据、叶片叶绿素含量和水分含量。
5.根据权利要求1所述的一种基于cnn的农作物病虫害识别方法,其特征在于:所述训练集和验证集的划分比例为7:3,输出的结果与其对应的样本标签的误...
【专利技术属性】
技术研发人员:王显龙,朱洪浩,李现伟,周杰涵,何金阳,杨明旭,
申请(专利权)人:蚌埠学院,
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。