[发明专利]一种基于深度学习的药用植物叶部病害图像识别方法

说明书

本发明公开了一种基于深度学习的药用植物叶部病害图像识别方法，涉及药用植物叶部病害防护技术领域，其包括采集若干药用植物叶部病害图像；对药用植物叶部病害图像进行增强处理；将各增强处理后的药用植物叶部病害图像的尺寸统一调整为299x299；训练深度CNN模型，深度CNN模型包括串联的卷积池化网络、Inception‑I网络、平均池化网络、Dropout层和Softmax层，串联的卷积池化网络的最后两个卷积层为深度可分离卷积层，Inception‑I网络中包括随机池化层；通过深度CNN模型对尺寸调整后的各药用植物叶部病害图像进行识别，识别结果为各药用植物叶部所患病害类型，基于识别结果对各药用植物叶部所患病害进行分类。该识别方法可以有效地辅助种植人员诊断病害，提高诊断效率。

技术领域

本发明涉及药用植物叶部病害防护技术领域，具体而言，涉及一种基于深度学习的药用植物叶部病害图像识别方法。

背景技术

药用植物生长过程中叶片与病原物接触机会多，受外界环境条件影响也较大，容易发生病害，影响药用植物产量及最终药品的药效。据科普文献记载统计，61种药用植物就有394种病害，其中叶部病害有220种，占58.1％。叶部常见的病害类型有霜霉病、白锈病、白粉病、锈病、叶斑病、叶枯病等。

为了尽可能降低病虫害对药用植物生长过程的影响，应尽早发现病虫害，以便在适宜时间选择适当的治疗方法以防止病虫害扩散。传统的方法是通过人工巡视查看病虫害，这种方式耗时长、效率低，在大规模种植情况下难以及时发现病虫害并及时采取防治措施。

随着计算机图像处理技术的发展，为发现植物病害提供了新技术方案，目前，主要有两种方法对药用植物叶部病害图像进行识别。

第一种是采用机器学习的方法进行植物病害的检测和诊断。在相同实验室条件下拍摄罗勒叶共400张图片，其中健康和患病各200张，提出基于模糊集扩展形式的中智逻辑图像分割方法，利用模糊集扩展形式的中智逻辑图像分割技术对图像进行分割，并将分割后的中智逻辑图像划分为真、假和不确定。在分割区域的基础上，利用纹理、颜色、直方图和疾病序列区域对新特征子集进行评估，从而识别出病叶或健康叶，并利用9种不同的分类器(决策树、朴素贝叶斯、K-近邻、支持向量机、随机森林、自适应增强、人工神经网络、判别分析、线性模型)对组合特征有效性的判别能力进行了监测和验证，其中随机森林法优于其他分类方法。

第二种是采用深度学习的方法，利用健康植物和患病植物的简单叶片图像，建立卷积神经网络模型，进行植物病害的检测和诊断。其中采用五个基本的CNN架构，分别是：AlexNet、AlexNetOWTBn、GoogLeNet、Overfeat、VGG，这些模型的训练是使用一个包含87848张图片的开放数据库，其中包含58种不同种类的[植物，疾病]组合中的25种不同的植物。

上述方法存在以下缺陷：

第一种方法首先使用对比度有限的自适应直方图均衡化方法提取图像细节，预处理后将图像转化为中智集，将图像分割为真、假、不确定三个区域。基于分割的三个区域设计出一个新的特征库，基于新特征使用分类器进行分类识别。背景技术是在实验室条件下进行的拍摄取样，并且由于样本数据量少，容易导致模型泛化能力低。

第二种方法采用CNN基本架构，容易导致过拟合，且卷积核参数数量过多，训练效率较低；另外，训练样本都来自实验室环境拍摄，对实地拍摄背景复杂的图片，则识别准确率较低。

发明内容

本发明在于提供一种基于深度学习的药用植物叶部病害图像识别方法，其能够缓解上述问题。

为了缓解上述的问题，本发明采取的技术方案如下：

本发明提供了一种基于深度学习的药用植物叶部病害图像识别方法，包括以下步骤：

S1、采集若干药用植物叶部病害图像，以植物名称+病害名称的方式对各图像进行重命名；