[发明专利]一种基于优化卷积神经网络的玉米病害图像识别方法

说明书

本发明公开了一种基于优化卷积神经网络的玉米病害图像识别方法，该方法包括：采集玉米叶片图像数据集，并将玉米叶片图像进行切割，裁剪掉图像中的非叶片部分；然后对玉米叶片图像进行预处理，生成图像数据集；之后基于玉米叶片图像的病害情况，为数据集构建标签向量；然后将玉米叶片图像数据集和标签向量均划分出训练集和测试集；之后构建卷积神经网络模型架构，在每层卷积层后加入批归一化处理层，对图像特征值进行归一化处理；然后使用贝叶斯优化算法优化卷积神经网络分类模型的准确率，得到卷积神经网络超参数的最优解；最后将最优超参数输入卷积神经网络进行训练，生成玉米病害图像识别模型。本发明的方法能够更高效、准确地辨识玉米图像的病害情况。

技术领域

本发明涉及图像识别领域与农业生产领域，特别是一种基于优化卷积神经网络的玉米病害图像识别方法。

背景技术

玉米是我国的三大农作物之一，是十分重要的粮食作物和工业原料。但是玉米病害严重影响了玉米的产量和质量，玉米常见的病害大约有十几种，病发处多为叶部、穗部以及根部，其中叶部的大斑病和锈病最为常见。及时准确地识别并控制玉米病害可以将危害降到最低，目前常见的方法还是请农业专家到稻田实地勘察，基于专业知识和经验对玉米病害情况进行辨识，这种方法不仅主观性较强，而且费时费力、效率不高，严重依赖于农业专家的专业意见和判断。

随机机器学习地快速发展和广泛应用，结合图像识别技术在玉米病害智能识别上已有相关研究，并且在实验中有不错的效果，取得了一定的进展。但是也存在着一些弊端，一方面，大多数的研究和实验往往存在样本量少的问题，即使通过裁剪、旋转、翻转等方法扩大样本数目，但是样本的可分析特征并没有增加，仍然没有解决这个问题，最终导致结果不具备泛化能力；另一方面，玉米叶片图像没有进行合适的图像处理，比如说人工裁剪和关键部分提取，从而导致图像中的非叶片像素对最终结果产生干扰。

目前所存在的图像识别技术往往是基于卷积神经网络的图像特征提取算法，然后将提取的特征综合、分析，得出相应的结论。这种方法主要存在三个问题：第一：卷积神经网络在训练数据集时，需要不断地调整超参数，进行模型训练和模型验证，才能得出最优的超参数和卷积神经网络模型；目前的研究和实验大多通过随机搜索或网格搜索，去得到最优超参数；但是，如果卷积神经网络的规模较大，每次模型的训练都需要大量时间，还要再进行对此迭代搜索，那么整个最优解的搜索时间是大到不可接受的；第二：在卷积神经网络的训练过程中，如果学习速率设置过大，可能会导致卷积层的输出发生剧烈变化，导致最终无法收敛；而过小的学习速率会大大降低网络的收敛速度；第三：如果样本训练集和样本验证集的分布不一致，就可能会导致网络的泛化能力下降。

发明内容

本发明所要解决的技术问题在于提供一种基于优化卷积神经网络的玉米病害图像识别方法，辨识玉米病害的情况。

实现本发明的技术解决方案为：一种基于优化卷积神经网络的玉米病害图像识别方法，包括以下步骤：

步骤1、采集玉米叶片图像数据集，并将玉米叶片图像进行切割，裁剪掉图像中的非叶片部分；

步骤2、对玉米叶片图像进行预处理，生成图像数据集；

步骤3、基于玉米叶片图像的病害情况，为数据集构建标签向量；

步骤4、将步骤2、3获得的玉米叶片图像数据集和标签向量均划分出训练集和测试集；

步骤5、构建卷积神经网络模型架构，在每层卷积层后加入批归一化处理层，对图像特征值进行归一化处理；

步骤6、使用贝叶斯优化算法优化卷积神经网络分类模型的准确率，得到卷积神经网络超参数的最优解，超参数包括学习率、梯度冲量、正则化系数和网络层数；

步骤7、将最优超参数输入卷积神经网络进行训练，生成玉米病害图像识别模型。