[发明专利]花生叶片病害识别方法

说明书

本发明提出一种花生叶片病害识别方法，针对数据集中不同种类样本数量差距巨大，极易导致过拟合问题，通过数据优化处理算法实现数据集的均衡化，在提升训练质量的同时，避免了过拟合问题。以轻量级卷积神经网络模型为基础，通过迁移原始轻量级卷积神经网络的卷积层提取花生叶部病害特征，重新添加归一化层、全局平均池化层、展平层、全连接层以及分类层构建花生叶部病害识别模型，并完成在嵌入式设备上的部署。本发明可最终在嵌入式设备上完成部署，进而实现便携式在线诊断，无需计算机支持，可独立运行和解析模型，实现在田间地头的在线即时诊断，提高诊断效率，为花生病虫害的诊治抢占先机，对推动农业可持续与高质量高效发展具有十分重要的意义。

技术领域

本发明属于花生叶部疾病识别诊断与模式识别领域。

背景技术

花生经济价值高，是我国第一大油料作物，其产量占油料作物总产量的一半以上。然而频发的叶部疾病严重制约着花生产量和品质。我国农业生产模式正处在升级转化期，每一项新技术在农业生产领域的应用势必会推动我国农业经营方式的升级和进步。由于花生叶片长期裸露在空气中，难免会遭受不利因素的影响，诱发叶部病变，造成减产。在传统植物叶片疾病诊断模式下，受制于种植人员的专业知识水平限制，仅能凭借经验来进行粗略诊断，具有极大的盲目性和主观性，造成人力、物力浪费，而且极易造成误判，延误最佳的施药时机，扩大损失。

随着农业智能化领域研究深度和广度的加深和拓宽，也有学者着手植物叶部病害识别的相关研究，为植物叶部疾病的智能化检测诊断提供理论研究基础，但这些理论研究中所提到的识别模型，普遍存在占用空间大、不能量化，无法在低算力、低存储力的嵌入式移动端设备的部署和运行，这就限制了便携式叶部疾病诊断装备的研发。如申请号为202010165554.2 的发明提出一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法，通过构建改进的残差神经网络识别模型进行训练识别。该方法仅仅依据原始模型结构，其残差网络存在着不能量化问题，进而不能在低算力嵌入式设备上部署；其要求的终端设备参数如下：处理器型号为I5-8400，处理器频率为2.80GHz，显卡型号为Gtx1060，因而，文中模型最终是在具有一定配置的计算机上运行，硬件成本要求较高，无法应用于低算力、低存储力的嵌入式移动端设备，即无法实现在移动端设备的模型部，使得当前花生种植生产环节中无法在实际生产环境中进行花生叶部疾病诊断。

针对上述，提出一种快速、便携、智能化的花生叶片病害识别方法与装置，则成为本发明所面临的课题。

发明内容

为解决当前花生种植生产环节中存在的叶片病害诊断效率低下，无法在实际生产环境中进行花生叶部疾病诊断的弊端，提出一种可在便携式设备上运行的花生叶部病害识别方法，其采用如下方案：

一种花生叶片病害识别方法，包括：

步骤A、在线获取花生单叶病害图片；

步骤B、调用训练完成且已部署的模型文件进行叶片病害种类识别；

所述步骤B中模型文件的训练与部署过程包括：

步骤B1、花生叶部病害数据集建立；

步骤B2、数据优化处理；