一种基于卷积神经网络的茶叶病害预测方法技术

本发明专利技术适用于图像识别技术领域，尤其涉及一种基于卷积神经网络的茶叶病害预测方法。本发明专利技术通过获取茶叶叶片图像数据集；茶叶叶片图像数据集包括正常叶片图像和病害叶片图像；对茶叶叶片图像数据集进行特征提取，得到特征向量；将特征向量作为初始卷积神经网络模型的输入进行训练；将待测试茶叶叶片图像作为卷积神经网络模型的输入，对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；通过预设方法根据预测结果对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；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。这样使得本发明专利技术在对茶叶病害检测上的准确度更高、效率更高。

【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....

【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：