【技术实现步骤摘要】
本专利技术适用于图像识别，尤其涉及一种基于卷积神经网络的茶叶病害预测方法。
技术介绍
1、农作物疾病检测作为一门跨学科的前沿技术，融合了农业的植物生长，计算机行业的图像处理、模式识别、人工智能等多种不同领域的理论知识。在农业场景大棚大田植物疾病检测领域中有着广阔的应用前景，植物疾病检测方法的研究具有重要的实际意义和理论价值。
2、植物疾病检测是在农业场景的植物生长过程中检测植物的叶片是否发病。在植物疾病检测方法的研究上，大致有两种思路：是依赖于专家知识库，首先为专家知识库认定为发生疾病的植物叶片建模，然后用实际的植物叶片来与之进行匹配；二是不依赖于先验知识，通过对植物叶片进行特征提取，最终检测叶片是否发生疾病。围绕这两种思路，产生了一些植物疾病检测的方法。
3、但迄今为止，植物疾病检测方法的实用性、准确性和实时性仍未得到有效解决。机器学习和云计算是跨越所有应用领域的现代且快速发展的领域。在农业领域，植物病害的早期自动检测和诊断仍然是一项具有挑战性的任务。人们提出了许多算法来从叶子图像中提取特征，包括svm、slic和e-mmc。这些算法比现有的svm和其他算法具有更好的准确性。许多研究人员提出了检测植物病害的方法，包括定制的卷积神经网络(cnn)架构、图像分割和图像分类方法、基于svm和光谱植被指数的系统、跟踪甘蔗作物湿度、温度和水分的系统。在先前的研究中，深度卷积神经网络(dcnn)架构已经展示了良好的结果和泛化能力，但它们消耗大量内存并具有较高的计算支出，使得它们在物联网设备、智能手机和单板计算机(s
4、因此亟需一种新的茶叶病害预测方法，解决上述技术问题。
技术实现思路
1、本专利技术提供一种基于卷积神经网络的茶叶病害预测方法，旨在解决现有的茶叶病害检测方法检测效率低、准确度低以及无法实时检测的问题。
2、所述茶叶病害预测方法包括以下步骤：
3、s1、获取茶叶叶片图像数据集；其中，所述茶叶叶片图像数据集包括正常叶片图像和病害叶片图像；
4、s2、对所述茶叶叶片图像数据集进行特征提取，得到特征向量；
5、s3、建立初始卷积神经网络模型，将所述特征向量作为所述初始卷积神经网络模型的输入进行训练，得到卷积神经网络模型；
6、s4、将待测试茶叶叶片图像作为所述卷积神经网络模型的输入，对所述待测试茶叶叶片图像中是否有病害进行预测，得到预测结果；
7、s5、通过预设方法根据所述预测结果对所述卷积神经网络模型进行评估并进行优化，得到优化卷积神经网络模型；所述优化卷积神经网络模型用于对待检测茶叶叶片图像进行检测，得到病害检测结果。
8、优选的，步骤s1中，还包括子步骤：对所述茶叶叶片图像数据集进行预处理，将所述茶叶叶片图像数据集中的图像尺寸调整为统一大小。
9、优选的，所述病害叶片图像中病害的类型包括红痂、红叶斑以及茶叶枯萎病。
10、优选的，所述特征向量包括颜色特征、hsv特征、边缘特征以及纹理特征。
11、优选的，步骤s2中，通过sobel算子计算出所述边缘特征；通过hog算法对所述纹理特征进行提取。
12、优选的，所述预设方法为混淆矩阵和k折交叉验证。
13、优选的，所述优化卷积神经网络模型部署于云平台。
14、与现有技术相比，本专利技术通过获取茶叶叶片图像数据集；所述茶叶叶片图像数据集包括正常叶片图像和病害叶片图像；对所述茶叶叶片图像数据集进行特征提取，得到特征向量；建立初始卷积神经网络模型，将所述特征向量作为所述初始卷积神经网络模型的输入进行训练，得到卷积神经网络模型；将待测试茶叶叶片图像作为所述卷积神经网络模型的输入，对所述待测试茶叶叶片图像中是否有病害进行预测，得到预测结果；通过预设方法根据所述预测结果对所述卷积神经网络模型进行评估并进行优化，得到优化卷积神经网络模型；所述优化卷积神经网络模型用于对待检测茶叶叶片图像进行检测，得到病害检测结果。这样使得本专利技术在对茶叶病害预测上的准确度更高、效率更高。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的茶叶病害预测方法，其特征在于，所述茶叶病害预测方法包括以下步骤：
2.如权利要求1所述的基于卷积神经网络的茶叶病害预测方法，其特征在于，步骤S1中，还包括子步骤：对所述茶叶叶片图像数据集进行预处理，将所述茶叶叶片图像数据集中的图像尺寸调整为统一大小。
3.如权利要求1所述的基于卷积神经网络的茶叶病害预测方法，其特征在于，所述病害叶片图像中病害的类型包括红痂、红叶斑以及茶叶枯萎病。
4.如权利要求1所述的基于卷积神经网络的茶叶病害预测方法，其特征在于，所述特征向量包括颜色特征、HSV特征、边缘特征以及纹理特征。
5.如权利要求4所述的基于卷积神经网络的茶叶病害预测方法，其特征在于，步骤S2中，通过Sobel算子计算出所述边缘特征；通过HOG算法对所述纹理特征进行提取。
6.如权利要求1所述的基于卷积神经网络的茶叶病害预测方法，其特征在于，所述预设方法为混淆矩阵和K折交叉验证。
7.如权利要求1所述的基于卷积神经网络的茶叶病害预测方法，其特征在于，所述优化卷积神经网络模型部署于云平台。<...
【技术特征摘要】
1.一种基于卷积神经网络的茶叶病害预测方法，其特征在于，所述茶叶病害预测方法包括以下步骤：
2.如权利要求1所述的基于卷积神经网络的茶叶病害预测方法，其特征在于，步骤s1中，还包括子步骤：对所述茶叶叶片图像数据集进行预处理，将所述茶叶叶片图像数据集中的图像尺寸调整为统一大小。
3.如权利要求1所述的基于卷积神经网络的茶叶病害预测方法，其特征在于，所述病害叶片图像中病害的类型包括红痂、红叶斑以及茶叶枯萎病。
4.如权利要求1所述的基于卷积神经网络的茶叶病害预...
【专利技术属性】
技术研发人员：孔祥宇，钱英军，曹俊杰，王紫，姚星海，毛圣冰，
申请(专利权)人：广东科贸职业学院，
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。