[发明专利]一种农作物病虫害分析系统

说明书

本发明公开了一种农作物病虫害分析系统，所述系统包括移动客户端、图片识别模块以及存储病虫害图片的数据库，所述图片识别模块使用卷积神经网络对图片进行扫描比对，所述移动客户端能够将用户拍照上传的图片传输至图片识别模块。本发明利用新型深度卷积神经网络对农作物病虫害图像进行处理和识别，随时随地在客户端上进行操作，简便迅速、效率高，同时还能及时更新数据库，提高辨别的准确性。

技术领域

本发明涉及一种分析系统，尤其涉及一种农作物病虫害分析系统。

背景技术

农作物病虫害的智能检测，一直是农业信息化的一项重要内容，在近些年来越来越受到专家和学者的重视。农作物病虫害图像智能识别技术则是图像处理技术与人工智能技术相结合，在农作物病虫害识别上的应用，成为替代传统人工识别的技术手段，其对农作物病虫害识别具有传统方法所不具备的快速性、准确性、实时性等特点，而现有的农作物病虫害诊断系统，图像识别缓慢、准确率低，影响了诊断系统整体的工作效率。

发明内容

发明目的：本发明旨在提供一种利用图像进行识别和处理的农作物病虫害分析系统。

技术方案：本发明所述的一种农作物病虫害分析系统，其特征在于，所述系统包括移动客户端、图片识别模块以及存储病虫害图片的数据库，所述图片识别模块使用卷积神经网络对图片进行扫描比对，所述移动客户端能够将用户拍照上传的图片传输至图片识别模块。

其中移动客户端包括专家咨询通道，对图片识别模块无法识别的图片进行人工识别；数据库不断收集图片对图片识别模块进行自动学习和训练。移动客户端还包括用户反馈通道，对图片识别模块的识别结果进行反馈。数据库利用Data Augmentation技术扩充图片数量。

有益效果：与现有技术相比，本发明具有如下显著优点：利用新型深度卷积神经网络对农作物病虫害图像进行处理和识别，随时随地在客户端上进行操作，简便迅速、效率高，同时还能及时更新数据库，提高辨别的准确性。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图1对本发明的技术方案作进一步说明。

如图所示的一种农作物病虫害分析系统，系统包括移动客户端、图片识别模块以及存储病虫害图片的数据库，图片识别模块使用卷积神经网络对图片进行扫描比对，移动客户端能够将用户随时随地拍照上传的图片传输至图片识别模块。

移动客户端包括专家咨询通道，对图片识别模块无法识别的图片进行人工识别。

数据库不断收集图片对图片识别模块进行自动学习和训练，在训练阶段利用大量图片对系统进行自动学习和训练，学习识别目前尚不支持识别的害虫种类，以保证图片识别的准确性，并且本发明还着有大量的测试数据，尽可能的提高系统的泛化能力。

通过多种深度卷积神经网络，如GoogLenet、Resnet、VGG等多种架构对样本进行了长时间反复的训练学习，包括结合最近Octave Convolution方法对架构进行了优化，选取最优的算法，最终训练集正确率超过了98.5％，测试集正确率也达到了97％，保障了使用的时候的准确性。

利用智能优化学习机制和对抗机制，让系统不断学习、不断自我完善，以此不断适应新的实际使用环境。

移动客户端还包括用户反馈通道，对图片识别模块的识别结果进行反馈，在每一次用户使用本发明识别完病虫害之后会有一个用户反馈，若对测试结果满意认同，会将该图片送入病虫害数据库，进一步提高准确性。对于人工的裁定也会纳入病虫害数据库当中。

数据库利用Data Augmentation技术扩充图片数量，将图片扩充至近100万张。