[发明专利]一种基于深度学习的农作物病害识别方法

说明书

技术领域

本发明涉及到卷积神经网络和分类判别，属于模式识别领域，具体地说是一种基于卷积神经网络的农作物病害识别方法。

背景技术

传统的农作物病害识别，主要还是依赖于历代农民在农业生产过程中积累的经验来进行判断，对农业生产者有着极高的专业知识要求。然而很多农业人员并不能掌握全面的病害防治知识，在判别农作物的病害时往往只是通过肉眼进行观察，难免会产生错误，从而阻碍了农作物的及时治疗。另外，农作物在生长过程中，需要农业人员每天到田里进行观察、监督，不仅费时又费力，还可能会导致农作物得了病害却被忽视的情况。因此，当今的农业生产迫切需要一套新的体系来将生产者从低效、复杂的农作物识别过程中解放出来。

传统的国内外研究农作物病害识别一般分为三个步骤：

(1)病斑图像分割。该步骤可以去除图像中无用的背景信息，使得相关研究集中到所需关注的核心区域中来。例如使用OTSU算法和means-shift算法，对大豆叶部病害区域进行分割，并结合BP神经网络来判断大豆是否患有锈病。

(2)病斑图像特征提取。国内外研究大部分提取了病害农作物图像的颜色特征、纹理特征和形状特征。例如通过灰度共生矩阵计算得到的能量、熵、对比度等标量来代表图像的基本纹理信息，并结合空隙度、RGB和HSV直方图等多个特征以更全面的描述病害图像的细节。

(3)病害图像的最终分类识别。目前常用的分类方法有最近邻分类、D-S证据理论、支持向量机和神经网络模型等。

传统识别方法虽然取得了不错的识别效果，但由于其采用的小样本数据，导致其泛化能力较弱，并且需要大量预处理时间，因此实时性不强。实际的农业生产中面向的是大样本，农作物的种类和病害种类多，且获得的图像可能存在光照不均匀、有遮挡、背景不同的问题，将小样本、简单环境下的理论技术应用在实际场景显然并不现实，存在耗时长、效率低、准确率低等问题。

发明内容

本发明为克服现有技术存在的不足之处，提供一种基于深度学习的农作物病害识别方法，以期能解决农作物病害识别中耗时长、效率低、准确率低的问题，从而能快速、准确地识别农作物病害。

本发明为解决技术问题采用如下技术方案：

本发明一种基于深度学习的农作物病害识别方法的特点是按如下步骤进行：

步骤1、农作物病害图像的采集和预处理：

获取不同病害种类的原始农作物叶片图像样本集并进行预处理，得到预处理后的叶片图像样本集，记为X＝{X₁,X₂,…,X_n,…,X_N}，其中，X_n表示第n张叶片图像样本，并记第n张叶片图像样本X_n所对应的病害种类标签为Y_n，n＝1,2,…,N；

步骤2、将所述第n张叶片图像样本X_n作为输入图像，将所述第n张叶片图像样本X_n所对应的病害种类标签Y_n作为识别目标，训练卷积神经网络模型Φ：

步骤2.1、定义所述卷积神经网络模型包括：两层的特征感知层记为α₁和α₂，一层的第一激活函数层记为χ₁，一层的第一维度收缩层记为β₁，两层的精化层记为α₃和α₄，一层的第二激活函数层记为χ₂，一层的第二维度收缩层记为β₂，一层的全连接层记为λ；

设置代价损失阈值为ε，最高迭代次数为tmax；则任意第t次迭代的卷积神经网络模型Φ_t按如下过程建立：

步骤2.2、在第t次迭代中，所述输入图像X_n分别经过所述特征感知层α₁和α₂的线性滤波器进行卷积处理后，得到特征感知图像

步骤2.3、将所述特征感知图像送入第一激活函数层χ₁，从而利用式(1)所示的稀疏层和maxout层神经元进行激活，得到激活图像