[发明专利]基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法

权利要求书

1.基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法，其特征在于：所述玉米叶片病害识别方法包括以下步骤：

步骤一：进行玉米叶片图像数据集的收集，将收集的玉米叶片图像数据集进行扩大后，进行图像数据集的预处理；预处理后的图像数据集分为训练集和测试集；

步骤二：将步骤一预处理后的训练集和测试集输入到卷积神经网络模型GoogleNet中利用第一个分类器进行训练和测试，调整卷积神经网络模型GoogleNet参数，得到优化的卷积神经网络模型GoogleNet；

步骤三：将步骤一处理后的测试集输入步骤二得到的优化后的卷积神经网络模型GoogleNet中，完成对玉米叶片病害种类的识别。

2.根据权利要求1所述的基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法，其特征在于：所述步骤一中将收集的玉米叶片图像数据集进行扩大的具体过程为：

将玉米叶片图像数据集中的图像分别进行90°、180°、270°的旋转，将旋转后的图像进行镜像处理，将镜像处理后的图像的中心进行分割；将旋转、镜像及分割后的图像依次转换为灰度图。

3.根据权利要求2所述的基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法，其特征在于：所述步骤一中进行图像数据集的预处理的具体过程为：

利用Python语言基于OpenCv对输入数据集中的图像名称、格式及大小进行归一化处理，对归一化处理后的图像类别进行标记，所述图像类别包括8个叶片病害类别和1个健康叶片类别，8个叶片病害类别为大斑病、小斑病、锈病、褐斑病、圆斑病、弯孢菌叶斑病、灰斑病和矮花叶病。

4.根据权利要求3所述的基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法，其特征在于：所述步骤一中训练集为图像数据集的80％，测试集为图像数据集的20％。

5.根据权利要求4所述的基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法，其特征在于：所述步骤二中调整卷积神经网络模型GoogleNet参数的具体过程为：

设置初始学习率为0.001～0.0001，权重衰减系数为0.0002～0.0001，学习率变化的比率为0.95～0.98，学习率变化间隔为2000～3000。