[发明专利]一种基于卷积神经网络的农作物病虫害识别方法

说明书

本发明公开了一种基于卷积神经网络的农作物病虫害识别方法，包括：利用CCD相机采集真实场景下的农作物病虫害图像并建立数据集；通过图像预处理对数据集进行扩充；提出基于卷积神经网络的农作物病虫害识别模型；完成数据集的划分并训练模型；调用已训练完成的农作物病虫害识别模型对测试集农作物病虫害图像进行识别。本发明利用Incecption结构搭建卷积神经网络的多尺度特征融合模块，结合空间金字塔池化(SPP)模块提高了模型对不同尺度的病虫害图像特征的学习能力，引入的LeakyReLu激活函数和批归一化(BN)算法可以进一步提高模型训练拟合效果，通过模型重构获得一个15层的病虫害识别模型，可用于实时检测。

技术领域

本发明涉及农作物病虫害识别的技术领域，尤其涉及一种基于卷积神经网络的农作物病虫害识别方法。

背景技术

农作物病虫害虫害问题是影响农作物产量的重要因素，病虫害的精准识别对于农作物的植保防控、耕作方式的调整具有重要意义。

传统的虫害识别方式大都依靠专家知识进行按株识别，具有主观性的同时增加了额外的时间成本和经济成本。传统的机器学习方法虽然可以达到一定的识别精度，但大都伴随着大量的调参工作，在处理复杂农作物病虫害虫害识别任务时，常常需要几种方法的结合，甚至依赖光谱、电子鼻等其他技术，成本较大。近年来流行的AlexNet、ResNet等卷积神经网络模型虽然取得了不错的识别效果，但是在模型训练难易程度、识别速度、参数内存方面任然不能满足具体的识别任务。

发明内容

鉴于上述现有技术存在的问题，本发明提出了一种基于卷积神经网络的农作物病虫害识别方法。

本发明能够对影响农作物生长的主要病虫害进行识别，从而指导植保作业，进而提高农作物的产量和品质。

为实现上述发明目的，本发明采用如下技术方案，包括：

选取典型的农作物病虫害作为主要研究对象，利用CCD相机采集真实场景下的农作物病虫害图像并建立数据集；通过图像预处理对农作物病虫害数据集进行扩充；提出基于卷积神经网络的农作物病虫害识别模型；将数据集划分为训练集、验证集和测试集，利用训练集和验证集对提出的模型进行训练，训练完成后，保存模型参数即训练权重；调用已训练完成的农作物病虫害识别模型对测试集农作物病虫害图像进行识别。

作为本发明所述的一种基于卷积神经网络的农作物病虫害识别方法的一种优选方案，其中：预处理包括：对数据集图像进行清洗，去除虚化的病虫害图像及其他含有噪音的病虫害图像，并采用随机旋转、随机镜像、随机裁剪、色彩增强等数据增强方法，以对数据集进行扩充。

作为本发明所述的一种基于卷积神经网络的农作物病虫害识别方法的一种优选方案，其中：提出的农作物病虫害识别模型包括：利用Inception模块；引入空间金字塔池化(SPP)模块；采用LeakyReLu代替ReLu作为激活函数；引入批归一化算法(BN)。

作为本发明所述的一种基于卷积神经网络的农作物病虫害识别方法的一种优选方案，其中：Inception模块全部采用3*3和1**1的卷积，并将两个3*3的卷积核替换成1**3和3*1的卷积核，在保证性能的同时进一步减少参数，最终将四条不同尺度的特征进行串联过滤。

作为本发明所述的一种基于卷积神经网络的农作物病虫害识别方法的一种优选方案，其中：空间金字塔池化(SPP)模块分别采用4*4、2*2、1*1的平均池化将输入特征集合分解为16、4、1的块，并将池化后的块进行特征融合，得到固定的21维度大小的特征向量。因此可以利用不同维度的图像作为输入，使得原始图像特征得到良好的保留。

作为本发明所述的一种基于卷积神经网络的农作物病虫害识别方法的一种优选方案，其中：采用LeakyReLu作为激活函数，数学公式如下：

其中，x表示来自上一层的输入，α表示引入的负梯度(通常赋值为0.01)。