[发明专利]一种基于深度学习的农作物病虫害智能检测方法

权利要求书

1.一种基于深度学习的农作物病虫害智能检测方法，其特征在于，包括以下步骤：

S1、采集农作物病虫害图像，并将所有图像修改为统一格式大小；

S2、对所有图像打标签，实现对常见病虫害的识别与分类，通过打好标签的图像构建数据集，并将数据集分为训练集与测试集；

S3、采用ResNet50和FPN结合的网络构建特征网络，并将训练集输入特征网络进行回归和分类，得到特征图；

S4、对特征图进行窗口滑动得到建议窗口，并通过建议窗口构建RPN区域生成网络；

S5、对RPN区域生成网络进行训练，得到农作物病虫害智能检测模型；

S6、采用农作物病虫害智能检测模型对测试集中的图像进行测试，得到农作物病虫害智能检测结果。

2.根据权利要求1所述的农作物病虫害智能检测方法，其特征在于，所述步骤S1包括以下分步骤：

S11、使用数据流批量方式采集农作物病虫害图像；

S12、使用开源计算机视觉库OpenCV修改图像的格式，将所有图像统一为1024*1024大小。

3.根据权利要求1所述的农作物病虫害智能检测方法，其特征在于，所述步骤S2包括以下分步骤：

S21、对常见的农作物病虫害进行分类，并设定病虫害识别规则；

S22、根据病虫害识别规则，采用目标检测标记工具Labelimg对所有图像打标签；

S23、将打好标签的图像保存得到xml可扩展的标记性文件和原图，并采用xml可扩展的标记性文件和原图共同构成数据集；

S24、将数据集分为训练集与测试集。

4.根据权利要求1所述的农作物病虫害智能检测方法，其特征在于，所述步骤S4包括以下分步骤：

S41、对特征图进行窗口滑动，将每个滑动窗口映射到一个低维度的特征，生成多个不同大小的建议窗口；

S42、将每个建议窗口作为一个锚点输入至添加的两个全连接层，对每个锚点进行特征非线性变换；

S43、将特征非线性变换后的锚点在特征网络的最后一层卷积层上进行类别分类和坐标回归；

S44、通过类别分类和坐标回归后的锚点构建RPN区域生成网络。

5.根据权利要求4所述的农作物病虫害智能检测方法，其特征在于，所述锚点具有5个尺度和5个宽高比。

6.根据权利要求4所述的农作物病虫害智能检测方法，其特征在于，所述步骤S42中的两个全连接层为目标框回归层和目标框分类层。

7.根据权利要求1所述的农作物病虫害智能检测方法，其特征在于，所述步骤S5包括以下分步骤：

S51、将训练集中的图像切分为7*7的小块，并对每一小块进行最大池化；

S52、将最大池化后7*7的图像输入到RPN区域生成网络中进行分类和边框回归，得到预测边框；

S53、根据预测边框和真实边框得到多任务损失函数L；

S54、判断多任务损失函数L是否收敛，若是则进入步骤S55，否则返回步骤S51进行下一次迭代训练；

S55、得到训练好的RPN区域生成网络，并将其作为农作物病虫害智能检测模型。

8.根据权利要求7所述的农作物病虫害智能检测方法，其特征在于，所述步骤S53中的多任务损失函数L具体为：

其中i为锚点索引，p_i表示第i个锚点的目标预测概率，表示第i个锚点的真实标签，若i>0，则若i<0，则N_cls为总的锚点数量，表示p_i与的对数损失，且N_reg为特征图的尺寸，λ为平衡权重，t_i表示预测边框的参数化坐标向量，表示与锚点相关联的真实边框向量，表示t_i和的回归损失，且R(·)为Smooth L1损失函数。