[发明专利]一种基于图像识别技术的茶叶病害识别系统及工作方法

说明书

本发明以解决茶叶生长周期中任意时间点发生病害，病害识别依靠经验或专家指导，防治效率低，无法及时找到防治途径的问题。本发明公开了一种基于图像识别技术的茶叶病害识别系统，其包括APP客户端、云平台和后端管理系统，所述后端管理系统包括图像识别模块和图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述茶叶病害图像数据库存放于云平台上，所述数据处理与分析模块以残差单元加速网络训练速度，采用残差神经网络自主学习并实现病害种类识别。

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于图像识别技术的茶叶病害识别系统及工作方法。

背景技术

茶叶在进行种植时常常会遇到病害，传统的依靠肉眼去识别茶叶病害种类的方法不仅费时费力，而且存在很大的误差，同时传统的茶叶病害识别需要专业的技术人员和技术设备，无法满足种植户的需求。

目前借助数据图像处理技术是利用计算机数据处理的一种具体表现，是一种对数字图像进行自主运算和处理的一种手段。图像处理技术在茶叶特征即时识别方面具有可操作性，对于提升软件即时应用性具有现实意义，而现今缺少通过图像处理技术即时识别茶叶病害，向用户科普该茶叶病害特征信息的方法及系统。

发明内容

本发明的目的在于提供一种基于图像识别技术的茶叶病害识别系统及工作方法，以解决茶叶生长周期中任意时间点发生病害，病害识别依靠经验或专家指导，防治效率低，无法及时找到防治途径的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于图像识别技术的茶叶病害识别系统，包括APP客户端、云平台和后端管理系统，所述后端管理系统包括图像识别模块和多个图像采集模块；所述图像采集模块通过无线或有线传输的方式与图像识别模块相连接，所述图像采集模块为基于移动终端的高清摄像头，所述数据库训练图库设置于云平台上，所述数据库训练图库用于构建残差网络模型为基础，残差单元加速网络训练校验，获取训练素材，自主学习；

所述图像采集模块用于获取生长时期的茶叶叶片病害图像，对图像描绘像素点的点集，自动调节容差度，获取精细的图像素材上报至图像处理模块；

所述图像识别模块包括MXNet深度学习框架和残差神经网络和迭代器；所述图像识别模块用于上报后的数据压缩和分块打包，再经预定的映射关系解码分包上报至云平台，调用已经训练好的深度学习模型进行病害种类的识别，并给出病害防治措施。

优选地，所述图像识别模块通过MXNet提供工具将任意大小的图像素材打包成至少一个压缩文件，以不同格式分类打包成块文件上报至由迭代器采用多线程解码数据，预读上报的压缩文件，通过训练好的深度学习模型对病害种类进行识别，生成识别结果。

优选地，所述残差单元根据输入和输出维度是否匹配分为恒等残差模块和卷积残差模块，所述残差模块使用Relu函数进行非线性激活，输入x作为初始结果直接传输到输出；其中，残差映射关系为F(x)＝H(x)-x，H(x)为期望值。

优选地，所述数据库训练图库初始化时，创建网络，创建训练器trainer，trainer保存参数及病害种类参数，加载病害种类以及已知病害的数据，采用batchsize进行参数更新；

优选地，参数设置接入预测接口evaluate_accuracy类中，创建准确率Accuracy类acc，用于统计准确率和迭代输出批次的历史记录。

优选地，所述网络构建为五个模块，

第一模块为1个卷积层，

第二模块为6个恒等层，

第三模块为2个卷积层与4个恒等层构成，采用梯度下降算法进行运算，

第四模块为2个卷积层和4个恒等层构成，