[发明专利]一种基于迁移学习和卷积神经网络病虫害的识别方法

说明书

本发明公开了一种基于迁移学习和卷积神经网络病虫害的识别方法，包括以下步骤：步骤一、采集植物病虫害叶片图像和正常植物叶片图像；步骤二、搭建ResNet‑50网络结构，对ImageNet大数据进行训练，活得预训练模型参数；步骤三、微调适合迁移学习的ResNet‑50网络模型；步骤四、图像预处理，得到超分辨率的植物病虫害叶片目标图像；步骤五、利用基于迁移学习的网络模型识别植物病虫害叶片进行训练。本发明的优点是：可以提高特征提取的精度、提高识别率；利用图像增强技术，大大减少过拟合问题，提高识别精度。

技术领域

本发明涉及深度学习技术领域，特别涉及一种基于迁移学习和卷积神经网络病虫害的识别方法。

背景技术

作物的病害一般是由细菌、真菌和病毒感染、害虫的袭击和不适宜的环境条件引发的，如干旱、春霜、冰冻、大气污染等。由于病虫害的袭击，会导致植物出现萎蔫、腐烂、穿孔、叶片黄化、畸形等一系列的症状，及早的识别植物病虫害的类型对植物病虫害的预防具有极大的作用，有效识别分类植物病害对植物成长以及其产量具有重要意义，同时也能促进农业的发展，降低经济损失。

现有的技术中，针对病虫害的识别主要有以下三种，一是基于高光谱图像识别法，该方法需要融合光谱和作物的图像信息，需专门的高光谱相机采集作物的高光谱图像，该方法成本较高，难以推广使用。二是基于支持向量机的作物病害识别方法，但其利用多个二分类器做投票，当面对多种病的时候需要训练数量较多的分类器，因此当病害种类多的时候该方法操作复杂，难以实施。三是基于深度学习的病虫害防治，此系统不但需要输入植物的名称，而且监督学习需要大量的标注数据，标注数据需要进行深度分析才能有效得对病虫害分类；同时针对小数据集时，深度学习训练难以进行，出现过拟合问题，降低训练的准确精度，影响识别精度，针对这些问题，中国专利《一种基于深度学习的植物病虫害识别方法及系统》(申请日：2019.7.12；申请号：201910629941.4；公开日期：2019.11.26；专利号:CN 110502987 A)公开了一种通过数据增强与注意力机制相结合的方法针对小数据集进行针对性的增强和扩充处理方法，并对包含注意力机制的深度学习模型进行训练，有效提高了植物病虫害识别的准确率，但训练时间相对比较长。

发明内容

本发明针对植物病虫害识别数据小，过拟合问题，训练准确率低等问题，提供了一种基于迁移学习和卷积神经网络病虫害的识别方法，利用已知植物病害的标注，转移学习减少构建深度学习模型所需的训练数据和计算复杂度，能很好解决小数据集在复杂网络结构上的过拟合问题，提高训练精度。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于迁移学习和卷积神经网络病虫害的识别方法，包括以下步骤：

步骤一、采集植物病虫害叶片图像和正常植物叶片图像；

步骤二、搭建ResNet-50网络结构，对ImageNet大数据进行训练，活得预训练模型参数；

步骤三、微调适合迁移学习的ResNet-50网络模型；

步骤四、图像预处理，得到超分辨率的植物病虫害叶片目标图像；

步骤五、利用基于迁移学习的网络模型识别植物病虫害叶片进行训练。

进一步地，步骤一具体为：

利用相机拍摄植物病虫害叶片图像和正常植物叶片图像。

进一步地，步骤二具体为：

步骤21、利用Tensorflow搭建ResNet-50网络模型；

步骤22、利用ResNet-50网络对ImageNet大数据进行训练，并生成训练模型参数权重；

步骤23、保存模型参数权重。

进一步地，步骤三具体为：