[发明专利]番茄病害检测方法、装置、设备及存储介质在审
申请号: | 202211454991.1 | 申请日: | 2022-11-21 |
公开(公告)号: | CN115760775A | 公开(公告)日: | 2023-03-07 |
发明(设计)人: | 范丽丽;王哲豪 | 申请(专利权)人: | 武汉轻工大学 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06V10/764;G06V10/774;G06V10/77;G06V10/82;G06V10/80;G06N3/08;G06F16/951;G06N3/0464 |
代理公司: | 深圳市世纪恒程知识产权代理事务所 44287 | 代理人: | 丁志新 |
地址: | 430000 湖北省*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 番茄 病害 检测 方法 装置 设备 存储 介质 | ||
本申请涉及计算机视觉检测技术领域,公开了一种番茄病害检测方法、装置、设备及存储介质,所述方法包括:对原始番茄叶片图像数据集扩充,得到扩充数据集;对扩充数据集进行特征标注;将标注后的扩充数据集通过YOLOv3SSP网络模型训练处理,得到检测结果数据集;将检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型;根据目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。通过上述方式,图像数据集标注,YOLOv3快速训练,处理图像,快速训练迁移学习得到高准确率番茄病害检测模型,从而能够提高了模型的训练速率和检测的时间。
技术领域
本发明涉及计算机视觉检测技术领域,尤其涉及一种番茄病害检测方法、装置、设备及存储介质。
背景技术
近年来,随着机器学习的不断发展壮大,将机器学习与农业结合越来越普遍。对农作物病害识别也从传统方法慢慢过度到机器学习相关方法。对于传统网络,比如GoogLeNet、AlexNet和ResNet系列等,主要存在三个问题:第一:传统卷积神经网络的层数往往比较深或者体积比较大,训练识别起来比较费时;第二:传统卷积神经网络数据集只是通过简单的图像增强和图像裁剪扩充,主体特征并无改变,训练效果较差,准确率不高;第三:传统的卷积神经网络严重依赖于pc端,对于低配置的移动端可移植性较差,不能对病害图片实时检测。所以,针对番茄病害检测技术现存问题的创新性研究有着重大的研究意义。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种番茄病害检测方法、装置、设备及存储介质,旨在解决现有技术中传统卷积神经网络的层数往往比较深或者体积比较大,训练识别起来比较费时,只是对图像简单裁剪,训练效果差,准确率不高的问题。
为实现上述目的,本发明提供了一种番茄病害检测方法,所述番茄病害检测方法包括以下步骤:
获取原始番茄叶片图像数据集,对所述原始番茄叶片图像数据集扩充,得到扩充数据集;
对所述扩充数据集进行特征标注,获取标注后的扩充数据集;
将所述标注后的扩充数据集通过YOLOv3SSP网络模型训练处理,得到检测结果数据集,所述结果数据集包括:训练数据集和验证数据集;
将所述检测结果数据集输入MobileNetV2网络模型进行训练,通过迁移学习的方式,生成目标番茄病害检测模型;
根据所述目标番茄病害检测模型对当前番茄叶片图像进行检测,得到番茄病害检测结果。
可选地,所述获取原始番茄叶片图像数据集,包括:
通过公开数据集和网页爬虫的方式获取番茄叶片数据集;
把对所述番茄叶片数据集进行分类,得到设有分类标签的原始番茄叶片图像数据集,其中,所述分类标签至少包括番茄健康叶片图片、番茄早疫病图片、番茄细菌性斑疹病图片、番茄晚疫病图片、番茄叶霉病图片、番茄斑枯病图片、番茄红蜘蛛病图片、番茄褐斑病图片、番茄花叶病图片以及番茄黄化曲叶病图片。
可选地,所述对所述原始番茄叶片图像数据集扩充,得到扩充数据集,包括:
对所述原始番茄叶片图像数据集进行几何变换和色彩空间变换,得到扩充数据集,其中,所述几何变换至少包括平移,水平翻转,上下翻转,旋转,放大以及缩小,所述色彩空间变换至少包括增加亮度和降低亮度。
可选地,所述YOLOv3SPP模型包括:Darknet53网络,FPN网络,Yolo Head网络和SPP结构;
所述将所述标注后的扩充数据集通过YOLOv3SSP网络模型训练处理,包括:
将所述标注后的扩充数据集输入YOLOv3SSP网络模型;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉轻工大学,未经武汉轻工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211454991.1/2.html,转载请声明来源钻瓜专利网。