【技术实现步骤摘要】
本专利技术属于智慧农业，更具体地说，是涉及一种病虫害检测方法、系统、电子设备及可读存储介质。
技术介绍
1、农业在病虫害的防治方面难以采取高效措施，农户通过喷洒农药、人工捉虫等方式，可减少病虫害对农作物生产侵害。但病虫害繁殖能力强，且适应环境能力较强，传统的喷药和人工捉虫方式虽可发现解决的病虫害，但对病虫害的出现并没有提前预测预警效果。一些时效性出现的病虫害往往给农业生产造成较大影响，因此为实现病虫害的及时检测是病虫害防治重要工作。
2、传统的基于人工病虫害检测方式，主要依靠有经验的农户来完成检测和识别工作。通过农业技术人员对依附在农田农植作物的病虫害特征进行辨识，根据自己对病虫害识别经验进行判断分析，确认农作物病虫害名称，然后根据病虫害类型进行救治，这种方式全依靠有经验的农户或农业技术人员来完成。由于农业病虫害类型较多，且一种病虫害经常出现多种变种，这对于一些缺乏经验的农户来说，对整个病虫害的防治工作，识别难度有点大，经常出现辨识错误的情况，影响了农业正常生产活动。
技术实现思路
1、本专利技术的目的在于提供一种病虫害检测方法及系统，旨在解决现有的人工检测方法存在识别精准度低下且效率慢的技术问题。
2、为实现上述目的，本专利技术采用的技术方案是：提供一种病虫害检测方法，包括以下步骤：
3、构建病虫害图像的数据集并对数据集进行预处理；
4、基于卷积神经网络构建识别模型，并用经预处理的数据集对识别模型进行训练，得到病虫害识别模型；所述病
5、
6、其中，sc()为卷积操作；z()为基于特征集进行训练的特征函数；为等待检测的病虫害i的采集图像；其中，i＝1、2、3、4、...、n,l＝1、2、3、4、...、n；n为病虫害个体数；n为每一种病虫害的采集图像个数；sp()函数为：
7、
8、其中，为第j个融合映射的特征值，所述特征值为0或1；
9、将待预测的图像输入病虫害模型中进行分析，输出预测结果。
10、优选地，所述病虫害识别模型的构建包括以下步骤：
11、根据病虫害数据集的特点和需求，设计卷积神经网络结构，并通过卷积神经网络结构提取图像的特征信息；
12、将不同层次、不同类型的特征进行融合，形成全局特征向量，利用该向量对病虫害进行分类和定位。
13、优选地，所述卷积神经网络结构执行以下步骤：
14、数据经过输入层，然后分别进入第一支线、第二支线、第三支线以及第四支线；在所述第一支线中，依次经历1*1卷积层、1*3卷积层、3*1卷积层处理，然后处理结果在分别经过3*1卷积层、1*3卷积层处理并分别输出处理结果；在所述第二支线中，经过3*3最大池化层处理，然后经过1*1卷积层处理，然后输出处理处理结果；在所述第三支线中，依次经历1*1卷积层、5*5卷积层处理，然后输出处理结果；在所述第四支线中，经过5*5卷积层处理，然后输出处理结果；
15、对全部的输出结果在通道上进行组合。
16、优选地，所述卷积层为级联稠密模块；所述级联稠密模块第τ层的输入x为：
17、x＝hτ，其中，hτ表示之前所有层的特征图信息之和。
18、优选地，所述包括不同地区和不同气候条件下的植物图像和标注信息以及不同季节和不同年份的植物图像和标注信息。
19、优选地，所述病虫害模型输出损失函数，所述损失函数公式为；
20、
21、其中，l(n)表示输出层的神经元数量，t表示训练的时间步长；oi表示表示输出层的第i个神经元激活值在时间t上的平均值,yi表示脉冲发放频率的期望值。
22、一种病虫害检测系统，包括：
23、数据集模块，用于构建病虫害图像的数据集并对数据集进行预处理；
24、模型构建模块，用于基于卷积神经网络构建识别模型，并用经预处理的数据集对识别模型进行训练，得到病虫害识别模型；
25、预测输出模块，用于将待预测的图像输入病虫害模型中进行分析，输出预测结果。
26、一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上文任意一项所述的一种病虫害检测方法的步骤。
27、一种可读存储介质，所述可读存储介质上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上文任意一项所述的一种病虫害检测方法的步骤。
28、本专利技术提供的一种病虫害检测方法及系统的有益效果在于：与现有技术相比，本专利技术一种病虫害检测方法及系统，级联稠密模块的使用能有效的提高病虫害识别模型的特征表达能力和诊断准确性。为了进一步提高病虫害识别模型的性能和有效性，进一步提高模型的特征表达能力和鲁棒性，以便能高效、精准的实现对病虫害的检测。
本文档来自技高网...【技术保护点】
1.一种病虫害检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种病虫害检测方法及系统，其特征在于，所述病虫害识别模型的构建包括以下步骤：
3.如权利要求2所述的一种病虫害检测方法，其特征在于，所述卷积神经网络结构执行以下步骤：
4.如权利要求3所述的一种病虫害检测方法，其特征在于，所述卷积层为级联稠密模块；所述级联稠密模块第τ层的输入X为：
5.如权利要求3所述的一种病虫害检测方法，其特征在于，所述包括不同地区和不同气候条件下的植物图像和标注信息以及不同季节和不同年份的植物图像和标注信息。
6.如权利要求1所述的一种病虫害检测方法，其特征在于，所述病虫害模型输出损失函数，所述损失函数公式为；
7.一种病虫害检测系统，其特征在于，包括：
8.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的一种病虫害检测方法的步骤。
9.一种可读存储介质，所述可读存储介质上存储有计算
...【技术特征摘要】
1.一种病虫害检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种病虫害检测方法及系统，其特征在于，所述病虫害识别模型的构建包括以下步骤：
3.如权利要求2所述的一种病虫害检测方法，其特征在于，所述卷积神经网络结构执行以下步骤：
4.如权利要求3所述的一种病虫害检测方法，其特征在于，所述卷积层为级联稠密模块；所述级联稠密模块第τ层的输入x为：
5.如权利要求3所述的一种病虫害检测方法，其特征在于，所述包括不同地区和不同气候条件下的植物图像和标注信息以及不同季节和不同年份的植物图像和标注...
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。