[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在审

专利信息
申请号: 201810001661.4 申请日: 2018-01-02
公开(公告)号: CN107945182A 公开(公告)日: 2018-04-20
发明(设计)人: 张喜海;乔岳;孟繁锋;张明明;许绥佳;李想;赵语杭;范成国;宋伟先;许永花 申请(专利权)人: 东北农业大学
主分类号: G06T7/00 分类号: G06T7/00;G06T7/10;G06T3/60;G06K9/46;G01N21/88;G06N3/04
代理公司: 哈尔滨市松花江专利商标事务所23109 代理人: 岳泉清
地址: 150030 黑龙*** 国省代码: 黑龙江;23
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 卷积 神经网络 模型 googlenet 玉米 叶片 病害 识别 方法
【说明书】:

技术领域

发明涉及图像识别技术领域,具体涉及基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法。

背景技术

玉米是我国重要的粮食作物和饲料作物。近些年由于耕作栽培制度的改变、病原菌品种的变异、植物保健措施不健全等造成玉米病害发生且危害程度逐年加重,种类也逐年增多,常见的玉米叶片病害有:大斑病、小斑病、锈病、圆斑病、弯孢叶斑病、矮花叶病等。在我国现行的病害分类、识别工作主要是依靠少数植保专家和农技人员来完成的,但病害种类繁多,而每一位植保专家穷其所能也只能识别部分病害。

在当今模式识别领域,基于无监督的深度学习理论及其改进方法成为众多学者研究的热点,该算法在人脸识别、物体识别领域被广泛应用,并取得了较好的效果。基于作物病害图像的作物病害识别方法研究一直是图像处理和机器学习领域的一个重要的研究课题,但是当前的方法往往面临网络参数较多、识别精确度不高的问题。因此,如何减少训练时网络模型的参数,并且提高玉米叶片病害种类的识别精确度已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有玉米叶片病害识别技术中网络模型参数较多、病害种类识别精确度低的缺点,而提出基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法。

基于卷积神经网络模型GoogleNet的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(最优的top-1精度和最小的模型损失);

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。

本发明的有益效果为:

采用GoogleNet模型的第一个分类器对玉米叶片图像数据集中的9类样本进行50000次迭代,并且每进行100次迭代后就对top-1精确度以及模型损失进行一次测量,实验得到的top-1精确度和损失。本发明中,GoogleNet模型初始学习率为0.001,采用“step”的方法每迭代2000次对学习率进行一次衰减,学习率变化的比率为0.96。当训练迭代10000次后,测试top-1精确度趋于稳定并且逐渐趋向于1,损失度逐渐接近于0趋于稳定。经实验,利用改进后的GoogleNet模型对玉米叶片图像数据进行训练及测试后,得到的top-1精确度平均值为98.9%,损失平均值为1.6%。改进后模型的识别精确度与损失较原始模型均有提升。

附图说明

图1为本发明流程图;

图2为本发明中卷积神经网络模型GoogleNet中“Inception”模块的结构;

图3为本发明利用原始卷积神经网络模型GoogleNet对玉米叶片图像数据集进行病害识别的测试精确度随迭代次数变化的曲线;

图4为本发明利用原始卷积神经网络模型GoogleNet对玉米叶片图像数据集进行病害识别的测试模型损失随迭代次数变化的曲线;

图5为本发明利用优化后的卷积神经网络模型GoogleNet对玉米叶片图像数据集进行病害识别的测试精确度随迭代次数变化的曲线;

图6为本发明利用优化后的卷积神经网络模型GoogleNet对玉米叶片图像数据集进行病害识别的测试模型损失随迭代次数变化的曲线。

具体实施方式

具体实施方式一:如图1所示,基于卷积神经网络模型GoogleNet的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(最优的top-1精度和最小的模型损失);

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。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东北农业大学,未经东北农业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810001661.4/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top