[发明专利]基于深度学习的柑橘红蜘蛛虫害的识别方法

说明书

本发明涉及农作物病虫害识别领域，公开了一种基于深度学习的柑橘红蜘蛛虫害的识别方法，包括：采集柑橘红蜘蛛虫害图像，并对柑橘红蜘蛛虫害图像进行预处理；对图像数据进行数据标签标定，制作深度学习数据集；将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型；将待识别图像输入柑橘红蜘蛛虫害识别模型，得到柑橘红蜘蛛虫害识别模型的识别结果。本发明解决了现有农作物害虫识别依靠人眼识别易受干扰，识别精度低的问题。

技术领域

本发明涉及农作物病虫害识别领域，具体是指一种基于深度学习的柑橘红蜘蛛虫害的识别方法。

背景技术

柑橘产区常常会有以红蜘蛛为主的虫害，我国的柑橘园日常红蜘蛛虫害管理主要依靠古老的管理模式，见虫就打、见病才防，一味地依赖除草剂防治果园内杂草，严重地破坏了柑橘园内物种间的生态平衡。随着计算机视觉和图像处理技术成熟发展，利用图像实现柑橘红蜘蛛虫害的自动识别与诊断成为了可能。柑橘红蜘蛛虫害智能识别是一种利用成像系统经由计算机完成处理和解释任务的技术手段，能够实现对柑橘红蜘蛛虫害图像分割、特征值提取以及柑橘红蜘蛛虫害自动识别。

目前国内外研究人员研究害虫识别方法通过寻找害虫图像的纹理、形状、颜色等特征来建立用于识别的特征数据库，而这些特征容易受到旋转、平移、光亮程度的影响，制约害虫图像的识别。

发明内容

基于以上技术问题，本发明提供了一种基于深度学习的柑橘红蜘蛛虫害的识别方法，解决了现有农作物害虫识别依靠人眼识别易受干扰，识别精度低的问题。

为解决以上技术问题，本发明采用的技术方案如下：

基于深度学习的柑橘红蜘蛛虫害的识别方法，包括：采集柑橘红蜘蛛虫害图像，并对柑橘红蜘蛛虫害图像进行预处理；对图像数据进行数据标签标定，制作深度学习数据集；将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型；将待识别图像输入柑橘红蜘蛛虫害识别模型，得到柑橘红蜘蛛虫害识别模型的识别结果。

作为一种优选的方式，将深度学习数据集在卷积神经网络中训练，获得训练后的柑橘红蜘蛛虫害识别模型包括：构建Mask R-CNN模型；提取深度学习数据集中样本的特征点；通过特征点对Mask R-CNN模型进行训练；将Mask R-CNN模型带入卷积神经网络中，得到柑橘红蜘蛛虫害识别模型。

作为一种优选的方式，特征点包括柑橘红蜘蛛图像中柑橘红蜘蛛的纹理、形状、尺寸和颜色。

作为一种优选的方式，通过特征点对Mask R-CNN模型进行训练包括：通过语义分割将柑橘红蜘蛛虫害图像分为病症诱发区、次级继续解析区和广收集区，并对病症诱发区、次级继续解析区和广收集区从高到低设置图像解析权重；基于高解析权重，对病症诱发区解码提取病症图片特征以识别主要病因；基于中解析权重，对次级继续解析区大范围搜索病症并对病症进行标记；基于低解析权重，对广收集区搜索扩散的病症；结合病症诱发区、次级继续解析区和广收集区的数据，实现柑橘红蜘蛛虫害识别。

作为一种优选的方式，卷积神经网络采用深度卷积神经网络模型AlexNet、VGG-16或GoogLeNet。

作为一种优选的方式，深度学习数据集包括训练集、验证集和测试集。

作为一种优选的方式，数据标签标定包括标注出柑橘红蜘蛛虫害图像中的害虫、农作物、背景和虫害类别。

作为一种优选的方式，预处理包括对柑橘红蜘蛛虫害图像空白部分进行裁剪和归一化处理。

与现有技术相比，本发明的有益效果是：

(1)本发明通过深度学习训练的方法，农作物的病害识别上使用深度学习能识别多种农作物病害，解决人工提取特征的难题，使用迁移学习的训练方式在小数据集上能够减少训练复杂度、降低学习时间。