[发明专利]一种基于残差网络的植物病害检测方法在审
| 申请号： | 201910124692.3 | 申请日： | 2019-02-20 |
| 公开（公告）号： | CN110033015A | 公开（公告）日： | 2019-07-19 |
| 发明（设计）人： | 张传雷;武大硕;李建荣;刘丽欣;任雪飞;刘璞;张善文 | 申请（专利权）人： | 天津科技大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 天津盛理知识产权代理有限公司 12209 | 代理人： | 王利文 |
| 地址： | 300457 天津市滨*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 残差 植物病害 卷积神经网络 检测数据 网络 图像 图像数据集 图像预处理 文件夹 仿射变换 检测结果 角度旋转 农业生产 数据集中 随机水平 统计分析 增强处理 植物疾病 重要意义 垂直镜 数据集 检测 学习 存储 疾病 | ||
1.一种基于残差网络的植物病害检测方法，其特征在于包括以下步骤：
步骤1、建立植物疾病检测数据集，该检测数据集采用AIChallenger的全新叶病图像数据集；
步骤2、对数据集的类别和数量进行统计分析，将每种类型的图像从完整的数据集中分离出来并存储在相应的类别文件夹中，然后进行图像预处理；
步骤3、使用随机角度旋转、随机水平镜旋转、随机垂直镜旋转和随机仿射变换方法对图像进行增强处理；
步骤4、设置深度卷积神经网络训练的超参数；
步骤5、使用PyTorch作为深度学习框架，使用残差网络作为深度学习模型：
步骤6、对残差网络深度学习模型进行训练，从而得到植物病害检测结果。
2.根据权利要求1所述的一种基于残差网络ResNet的植物病害检测方法，其特征在于：所述步骤2的具体实现方法为：对数据集的类别和数量进行统计分析，将植物疾病检测数据集中的第44和第45个类别删除；使用Python代码将每种类型的图像从完整的数据集中分离出来并存储在相应的类别文件夹中；最后，将大尺寸的图片调整到合适的尺寸。
3.根据权利要求1所述的一种基于残差网络ResNet的植物病害检测方法，其特征在于：所述步骤3采用深度学习框架PyTorch的torchvision.transforms的图像增强功能实现。
4.根据权利要求1所述的一种基于残差网络ResNet的植物病害检测方法，其特征在于：所述步骤4中的超参数设置如下：训练次数为35，批大小为8，图像高度为650，图像宽度为650，组数为59，学习速率为0.0001，学习率衰减为0.0001，权重衰减为0.0001。
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天津科技大学，未经天津科技大学许可，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/201910124692.3/1.html，转载请声明来源钻瓜专利网。
