[发明专利]一种基于残差网络的植物病害检测方法

说明书

本发明涉及一种基于残差网络的植物病害检测方法，包括以下步骤：建立植物疾病检测数据集，该检测数据集采用AI Challenger的全新叶病图像数据集；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；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；设置深度卷积神经网络训练的超参数；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：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。本发明将残差网络ResNet训练深度卷积神经网络,能够准确地识别多达10种作物27种疾病，速度快、精度高，对农业生产具有重要意义。

技术领域

本发明属于图像识别技术领域，尤其是一种基于残差网络ResNet的植物病害检测方法。

背景技术

植物在人类生产、生活乃至生存中起着至关重要的作用。然而，由于人类生产和生活的不断扩大，人类过度狩猎和采集行为，许多工厂的污染，以及大规模土地植被的发展，极大地改变了自然生态系统，使得植物的环境适应性降低，自我调节失调，导致植物病害。

植物病害主要是由生物因素(生物病原体)和非生物因素(不适宜的生活环境)引起的，使得植物生长异常，可导致植物在一定时期内死亡。长期患病可导致植物物种灭绝或感染其他物种灭绝。这种效应往往能直观地反映在植物的叶片和根部，使患病植物的叶片和根茎病态。有针对性地治疗和疾病植物的保护尤为重要。因此，植物病害病原鉴定具有重要意义。

多年来，植物病害的诊断主要基于植物病害工作者的经验诊断，其缺点是工作强度高，主观因素的影响以及对农业专家的依赖。近年来，使用人工神经网络和深度学习来检测植物病害成为新的趋势，经检索发现，现有人工神经网络或深度学习在植物病害检测方面的文献均是从不同侧重点进行植物病害检测，普遍存在是准确率低、识别速度慢等缺点。

发明内容

本发明的目的在于克服现有技术的不足，提出一种识别准确率高且识别速度快的基于残差网络ResNet的植物病害检测方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于残差网络ResNet的植物病害检测方法，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AI Challenger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ResNet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。

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。

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。

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。

本发明的优点和积极效果是：