[发明专利]一种基于深度学习的农作物病害识别方法

摘要

本发明公开了一种基于深度学习的农作物病害识别方法，包括1、对所拍摄的农作物视频进行采样得到原始农作物病害叶片图像；2、将采样图像裁剪为统一大小的图像、并处理成为神经网络模型输入所要求的文件格式；3、将训练样本数据送入由连续卷积层+稀疏Maxout激活函数层构成的卷积神经网络模型中，离线训练得到最终模型。本发明能解决农作物病害识别中耗时长、效率低、准确率低的问题，从而能快速、准确地识别农作物病害。

主权项

一种基于深度学习的农作物病害识别方法，其特征是按如下步骤进行：步骤1、农作物病害图像的采集和预处理：获取不同病害种类的原始农作物叶片图像样本集并进行预处理，得到预处理后的叶片图像样本集，记为X＝{X1,X2,…,Xn,…,XN}，其中，Xn表示第n张叶片图像样本，并记第n张叶片图像样本Xn所对应的病害种类标签为Yn，n＝1,2,…,N；步骤2、将所述第n张叶片图像样本Xn作为输入图像，将所述第n张叶片图像样本Xn所对应的病害种类标签Yn作为识别目标，训练卷积神经网络模型Φ：步骤2.1、定义所述卷积神经网络模型包括：两层的特征感知层记为α1和α2，一层的第一激活函数层记为χ1，一层的第一维度收缩层记为β1，两层的精化层记为α3和α4，一层的第二激活函数层记为χ2，一层的第二维度收缩层记为β2，一层的全连接层记为λ；设置代价损失阈值为ε，最高迭代次数为t max；则任意第t次迭代的卷积神经网络模型Φt按如下过程建立：步骤2.2、在第t次迭代中，所述输入图像Xn分别经过所述特征感知层α1和α2的线性滤波器进行卷积处理后，得到特征感知图像步骤2.3、将所述特征感知图像送入第一激活函数层χ1，从而利用式(1)所示的稀疏层和maxout层神经元进行激活，得到激活图像yijn=(Xnb)TW..ij+bij,W∈Rd×m×kqi(Xnb)=max(yijn)Xnb=max(0,q(Xnb))---(1)]]>式(1)中，k表示所述maxout层的神经元个数，m表示所述第一维度收缩层β1的神经元个数，d表示特征感知层α2的神经元个数，W..ij表示所述第一维度收缩层β1中第i个神经元对应的maxout层中任意第j个神经元的权值；bij表示权值W..ij对应的偏置；表示所述特征感知图像在所述第一维度收缩层β1中第i个神经元对应的maxout层中第j个神经元的输出；表示所述第一维度收缩层β1中第i个神经元对应的maxout层中最大的神经元输出值，表示所述第一维度收缩层β1中所有神经元对应的maxout层中最大的神经元输出值；步骤2.4、将所述激活图像经过所述第一维度收缩层β1进行维度收缩处理，得到维度收缩图像步骤2.5、将所述维度收缩图像分别经过精化层记为α3和α4的线性滤波器进行卷积处理后，得到特征精化图像后，再经过所述第二激活函数层χ2和第二维度收缩层β2的处理后，得到特征图像步骤5.6、将所述特征图像中所有神经元与全连接层λ中所有神经元进行全连接处理，得到最终特征图像并经过softmax分类器输出分类结果yn；步骤6、计算第t次迭代的卷积神经网络Φt的代价损失Lt，并求解输入图像Xn在卷积神经网络Φt中的滤波响应梯度；步骤7、将所述滤波响应梯度在卷积神经网络Φt中进行反向传播，从而更新第t次迭代的卷积神经网络Φt中的各层权值和偏置参数；步骤8、将t+1赋值给t，并判断Lt≥ε或t≤t max是否成立，若成立，则返回步骤2.2；否则，表示完成卷积神经网络模型Φ的训练；步骤9、将所采集的其他农作物病害叶片图像作为识别图像并经过预处理之后输入到所述卷积神经网络模型Φ中，从而得到所述识别图像的所属病害种类。