[发明专利]一种基于改进卷积神经网络的植物叶片病虫害识别方法

权利要求书

1.一种基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，包括以下步骤：

S1、采集不同植物的包括病虫害叶片图像和健康叶片图像在内的原始图像数据；

S2、对采集的原始图像数据进行预处理，构建图像样本数据集，并将其划分为训练集、验证集和测试集；

S3、对训练集中的图像数据进行数据扩充处理；

S4、将数据扩充后的训练集输入到改进的AlexNet特征网络中进行训练，并通过验证集参数进行调整，得到训练好的植物叶片病虫害识别模型；

S5、将测试集中待识别的叶片图像输入到植物叶片病虫害识别模型中，得到对应的病虫害识别结果。

2.根据权利要求1所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述步骤S2具体为：

S21、基于原始图像数据中叶片的病虫害类型，对原始图像数据进行分类并添加标签；

S22、判断每种标签下的图像数据总数是否超过设定阈值；

若是，则进入步骤S23；

若否，则进入步骤S24；

S23、将超出设定阈值部分的图像数据删除，进入步骤S24；

S24、将当前图像数据尺寸统一设置为256×256×3；

S25、将所有尺寸统一的图像数据作为图像样本数据集，并将其划分为训练集、验证集和测试集。

3.根据权利要求2所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，每个所述原始图像数据中添加的标签均包括植物类别标签和病虫害类别标签。

4.根据权利要求3所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述步骤S3中的数据扩充处理包括随机水平或垂直翻转处理、叠加噪声处理、随机旋转角度处理、颜色抖动处理和随机缩放处理。

5.根据权利要求1所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述步骤S4中改进的AlexNet特征网络包括依次连接的输入层、第一批归一化层、第一卷积层、第一池化层、第二批归一化层、第二卷积层、第二池化层、第三批归一化层、第三卷积层、第四批归一化层、第四卷积层、第三池化层、第五批归一化层、第五卷积层、全局池化层、全连接层和softmax分类器；所述第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层中的卷积核大小均为9×9。

6.根据权利要求5所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述全局池化层将第五卷积层输出的每个特征图融合为对应的特征值，每个特征图对应的特征值为：

式中，y^l为全局池化层中第l张特征图对应的输出特征值，m、n分别为第五卷积层输出的特征图的长度和宽度，为第五卷积层输出的第l张特征图。

7.根据权利要求5所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述改进的AlexNet特征网络中的激活函数为Relu激活函数。

8.根据权利要求5所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述全连接层中的神经元个数为26个。

9.根据权利要求1所述的基于改进卷积神经网络的植物叶片病虫害识别方法，其特征在于，所述步骤S4具体为：

S41、将数据扩充后的训练集输入到改进的AlexNet特征网络中，采用将输入的训练集划分为若干批次的训练数据；

S42、基于每个批次的训练数据，采用随机梯度下降优化算法对改进的AlexNet特征网络进行训练，并通过验证集进行网络参数调整，得到训练好的植物叶片病虫害识别模型。