[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

说明书

本发明公开了一种基于改进卷积神经网络的植物叶片病虫害识别方法，提供了改进的AlexNet网络模型，采用批归一化与全局池化相结合的卷积神经网络模型识别多种叶片病虫害，改进模型在训练时间和内存需求上都进行了较大的优化，并且精简了模型参数，同时也提高了模型泛化能力；本发明通过训练好的改进的AlexNet特征网络作为植物病虫害识别模型提高了植物叶片病虫害识别的准确率，具有更好地鲁棒性，能够识别多种植物叶片的不同病虫害，并且减少了模型训练所需要的资源和时间。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于改进卷积神经网络的植物叶片病虫害识别方法。

背景技术

近年来，全球气候加剧恶化，我国农业气象灾害与病虫害发生频率和严重程度增大，极大的威胁着我国粮食安全。生态环境越来越脆弱导致农作物病虫害的现象愈发严重，由于植物生长环境质量的下降，加快了病虫害的传播速度，及时获取和识别农作物病虫害信息才能有效的采取防治措施，虽然使用化学农药能够控制植物病害，但是由于病害种类繁多，仅靠人工肉眼及经验判断容易发生误诊，植物病害得不到及时诊治。治理植物病害最关键的是快速且精确诊断病害类型，防止农药的错误使用。

随着科学技术的发展，关于植物叶片病害的智能识别研究取得了良好的进展，如通过计算叶片色度值，建立多层BP神经网络模型，实现叶片的病害识别。虽然取得了较好的识别效果，但是由于特点特征并非能够完全或者较好地表征植物病害信息，对识别准确率产生不利影响。人工提取特征不具备通用性，更多只是对某一类特定样本的概括，很难大范围推广，致使通用的识别很难建立起来。

近年来兴起的卷积神经网络能够不依赖特定特征，在图像识别领域如手写字体识别、人脸识别和物体检测等方面已经得到广泛应用。但是目前这些模型参数量大，训练时间长，且模型泛化能力不高。

发明内容

针对现有技术中的上述不足，本发明提供的基于改进卷积神经网络的植物叶片病虫害识别方法解决了现有的植物病虫害识别模型训练时收敛时间长，模型参数庞大、识别准确率低的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于改进卷积神经网络的植物叶片病虫害识别方法，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。

进一步地，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。

进一步地，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。