基于深度学习的植物病虫害识别方法与流程
本发明涉及植物病虫害防治技术领域，具体涉及一种基于深度学习的植物病虫害识别方法。
背景技术：
农作物在生长过程中会遇到各种不同种类的病虫害侵害，给农作物的产量和质量都造成极大的影响。病虫害是病害和虫害的并称，侵染性病害根据病原生物不同，分为：真菌性病害，可造成植物倒伏、死苗、斑点、黑果、萎蔫等病状，在病部带有明显的霉层、黑点、粉末等征象。细菌性病害，表现为萎蔫、腐烂、穿孔等，发病后期遇潮湿天气，在病部溢出细菌粘液，是细菌病害的特征。病毒病，表现为花叶、黄化、卷叶、畸形、簇生、矮化、坏死、斑点等。线虫病，由线虫寄生可引起植物营养不良而生长衰弱、矮缩，甚至死亡。害虫主要有咀嚼式口器和刺吸式口器。咀嚼式口器害虫，如甲虫、蝗虫及蛾蝶类幼虫等，它们取食固体食物，危害根、茎、叶、花、果实和种子、蔬菜，造成机械性损伤，如缺刻、孔洞、折断、钻蛀茎秆、切断根部等。刺吸式口器害虫，如蚜虫、椿蟓、叶蝉和螨类等，它们以针状口器刺入植物组织吸食食料，使植物呈现萎缩、皱叶、卷叶、枯死斑、生长点脱落、虫瘿等。此外，还有虹吸式口器(如蛾蝶类)、纸吸式口器(如蝇类)、嚼吸式口器(如蜜蜂)。基于病虫害给农作物带来的巨大侵害，如何有效的对植物病虫害进行分类识别已经成为防治农作物病虫害、保证农作物产量和质量、促进农业发展、降低经济损失的重要前提。
目前，现有的病虫害分类识别主要采用人工方式，即通过农作物病虫害专家根据所学专业以及长期的工作和研究经验，查阅相关文献资料来进行分类识别。人工分类识别精度不高，存在混淆、分类错误等问题。
随着社会的进步和信息化的逐步发展壮大，深度学习技术已被广泛应用于现代化农业中，成为病虫害检测和识别、农作物检测和分类、杂草检测和分类的重要技术手段。深度学习是人工神经网络的研究结果，其作为图像识别领域重要的技术手段，在图像识别领域中使用非常广泛。基于现有深度学习算法的农作物病虫害分类识别方法存在图像识别率低、模型结构复杂、预测精准度低的问题，模型的图像识别正确率仅为91.55％。
技术实现要素：
为解决现有基于深度学习算法的农作物病虫害分类识别方法存在的图像识别率低、模型结构复杂、预测精准度低的问题，本发明提供一种基于深度学习的植物病虫害识别方法。
本发明为解决技术问题所采用的技术方案如下：
本发明的基于深度学习的植物病虫害识别方法，包括以下步骤：
步骤一、采集植物病虫害叶片图像和正常植物叶片图像；
步骤二、图像预处理，得到超分辨率植物病虫害叶片目标图像；
步骤三、通过深度学习算法对超分辨率植物病虫害叶片目标图像进行融合、分析和计算，生成植物病虫害图像特征表达；
步骤四、通过深度学习网络对植物病虫害图像特征表达进行分析和计算，生成基于深度学习网络的植物病虫害识别模型；
步骤五、利用基于深度学习网络的植物病虫害识别模型对需要识别的植物病虫害叶片图像进行训练。
进一步的，步骤一中，图像的采集方法选自以下其中一种：
(1)相机拍摄；
(2)网页下载；
(3)手机app下载。
进一步的，步骤二中，图像预处理具体包括以下步骤：
(1)统一图像尺寸和格式；
(2)将植物病虫害叶片图像和正常植物叶片图像分别进行傅立叶变换得到对应的傅立叶变换谱s1(x,y)和s2(x,y)；
(3)利用傅立叶变换谱计算目标函数，公式如下：
式中，i1(x,y)为植物病虫害叶片图像的光学传递函数，i1*(x,y)为i1(x,y)的复共轭，i2(x,y)为正常植物叶片图像的光学传递函数，i2*(x,y)为i2(x,y)的复共轭；
(4)利用目标函数和共轭梯度算法计算出泽尼克像差系数αi，利用泽尼克像差系数αi计算像差分布，通过像差分布得到植物病虫害叶片目标图像，对植物病虫害叶片目标图像进行维纳滤波处理，得到清晰的植物病虫害叶片目标图像；
(5)采用三次b样条插值算法计算出待插值点的像素值，在清晰的植物病虫害叶片目标图像的空间域进行插值处理，得到超分辨率植物病虫害叶片目标图像。
进一步的，步骤二(1)中，图像尺寸为640x480，rgb制式，格式为jpg、png、gif或tif。
进一步的，步骤二(3)中，i1(x,y)和i2(x,y)的表达式如下所示：
i1(x,y)＝d1(x,y)×d1(x,y)；
i2(x,y)＝d2(x,y)×d2(x,y)；
式中，d1(x,y)和d2(x,y)为对应的系统光学传递函数，其表达式如下所示：
d1(x，y)＝b(x，y)exp{j{φ(x，y)+δφ1(x，y)]}
d2(x，y)＝b(x，y)exp{j[φ(x，y)+δφ2(x，y)]}
式中，b(x,y)表示光瞳的二值函数，φ(x，y)表示广义光瞳的相位差函数，δφ1(x，y)和δφ2(x，y)均表示对应的离焦产生的相位差函数。
φ(x，y)表示成泽尼克多项式的形式如下所示：
δφ1(x，y)和δφ2(x，y)的表达式如下所示：
式中，λ表示入射光波长，f表示系统的焦距，δz1和δz2均表示离焦距离。
进一步的，步骤二(4)中，利用目标函数和共轭梯度算法计算出泽尼克像差系数αi的具体过程如下：
(1)根据上述的目标函数的表达式，设定初始值x(0)及精度为ε；(2)计算g(0)＝▽f(x0)，g(0)为在点x(0)处目标函数的梯度函数▽f(x0)；(3)判断，若g(0)的绝对值小于设定的精度ε，则最终解x*＝x(0)，停止算法；(4)若g(0)的绝对值大于设定的精度ε，则令p(0)＝-g(0)；(5)采用一维搜索获得最优补偿因子tk；(6)令x(k+1)＝x(k)+tkp(k)，计算在点x(k+1)处目标函数的梯度函数值g(k+1)；(7)判断，若g(k+1)的绝对值小于设定的精度ε，则停止迭代，最终解x*＝x(k+1)；(8)若g(k+1)的绝对值大于设定的精度ε，则判断k是否等于n；(9)若k等于n，则令x(0)＝x(k+1)，g(0)＝g(k+1)，返回第(4)步继续迭代计算；(10)若k不等于n，则令a＝||g(k+1)||2/||g(k)||2，p(k+1)＝-g(k+1)+ap(k)，返回第(4)步继续迭代计算，直到求解出这组泽尼克像差系数αi。
进一步的，步骤三具体包括以下步骤：
(1)采用hog特征提取法提取植物病虫害图像特征，将超分辨率植物病虫害叶片目标图像分割成多个连通区域，即细胞单元，采集细胞单元中各像素点的梯度或边缘的方向直方图，将梯度或边缘的直方图组合起来构成植物病虫害图像特征；
(2)利用基于网络的wavecluster聚类算法对植物病虫害图像特征进行种类重新划分，使具有相似特征的图片归为一类，生成类别标签；
(3)利用决策树分类算法对类别标签进行分类预测，通过特征选择、决策树生成和决策树修剪得到预测结果。
进一步的，步骤四具体包括以下步骤：
(1)构建并训练深度学习网络模型；
(2)利用深度学习网络模型训练正常植物叶片图像并生成模型参数；
(3)将模型参数迁移至新的深度学习网络模型，得到基于深度学习网络的植物病虫害识别模型。
进一步的，所述深度学习网络模型由至少一层卷积层、两条全连接流和一层病虫害分类层组成；两条全连接流位于卷积层之后；每一条全连接流由至少一层全连接层构成；全连接层的最后一层的神经元个数与对应的植物病虫害叶片图像种类数量、正常植物叶片图像种类数量均相同；病虫害分类层位于两条全连接流之后。
进一步的，所述病虫害分类层中的每一类分别对应一种植物病虫害。
本发明的有益效果是：
本发明的基于深度学习的植物病虫害识别方法，采用一种特殊的图像像质增强方法获得超分辨率的图像，解决图像识别率低的问题，为后续的精准计算提供有利支持，具有识别速度快、准确率高的优点。
另外，通过深度学习算法和深度学习模型所设计的基于深度学习网络的植物病虫害识别模型，具有结构简单、计算可靠的优点，简化了模型结构。
本发明的基于深度学习的植物病虫害识别方法经过初步实验，模型的图像识别正确率达95.67％，精相比现有技术提高了4.12个百分点，准度大幅度提高。
具体实施方式
本发明的基于深度学习的植物病虫害识别方法，主要包括以下步骤：
步骤一、图像获取
通过相机拍摄、网页下载或者手机app下载获取植物病虫害叶片图像和正常植物叶片图像。
步骤二、图像预处理
1、统一图像尺寸和格式；图像尺寸为640x480，rgb制式，格式为jpg、png、gif或tif。
2、将植物病虫害叶片图像和正常植物叶片图像分别进行傅立叶变换得到对应的傅立叶变换谱s1(x,y)和s2(x,y)。
3、利用傅立叶变换谱计算目标函数，公式如下：
式中，i1(x,y)为植物病虫害叶片图像的光学传递函数，i1*(x,y)为i1(x,y)的复共轭，i2(x,y)为正常植物叶片图像的光学传递函数，i2*(x,y)为i2(x,y)的复共轭。
其中，i1(x,y)和i2(x,y)的表达式如下所示：
i1(x,y)＝d1(x,y)×d1(x,y)；
i2(x,y)＝d2(x,y)×d2(x,y)；
式中，d1(x,y)和d2(x,y)为对应的系统光学传递函数，其表达式如下所示：
d1(x，y)＝b(x，y)exp{j{φ(x，y)+δφ1(x，y)]}
d2(x，y)＝b(x，y)exp{j[φ(x，y)+δφ2(x，y)]}
式中，b(x,y)表示光瞳的二值函数，δφ(x，y)表示广义光瞳的相位差函数，δφ1(x，y)和δφ2(x，y)均表示对应的离焦产生的相位差函数。
φ(x，y)表示成泽尼克多项式的形式如下所示：
δφ1(x，y)和δφ2(x，y)的表达式如下所示：
式中，λ表示入射光波长，f表示系统的焦距，δz1和δz2均表示离焦距离。
4、利用目标函数和共轭梯度算法计算出泽尼克像差系数αi，利用泽尼克像差系数αi计算像差分布，通过像差分布得到植物病虫害叶片目标图像，对植物病虫害叶片目标图像进行维纳滤波处理，得到清晰的植物病虫害叶片目标图像。
利用目标函数和共轭梯度算法计算出泽尼克像差系数αi的具体过程如下：
(1)根据上述的目标函数的表达式，设定初始值x(0)及精度为ε；(2)计算g(0)＝▽f(x0)，g(0)为在点x(0)处目标函数的梯度函数▽f(x0)；(3)判断，若g(0)的绝对值小于设定的精度ε，则最终解x*＝x(0)，停止算法；(4)若g(0)的绝对值大于设定的精度ε，则令p(0)＝-g(0)；(5)采用一维搜索获得最优补偿因子tk；(6)令x(k+1)＝x(k)+tkp(k)，计算在点x(k+1)处目标函数的梯度函数值g(k+1)；(7)判断，若g(k+1)的绝对值小于设定的精度ε，则停止迭代，最终解x*＝x(k+1)；(8)若g(k+1)的绝对值大于设定的精度ε，则判断k是否等于n；(9)若k等于n，则令x(0)＝x(k+1)，g(0)＝g(k+1)，返回第(4)步继续迭代计算；(10)若k不等于n，则令a＝||g(k+1)||2/||g(k)||2，p(k+1)＝-g(k+1)+ap(k)，返回第(4)步继续迭代计算，直到求解出这组泽尼克像差系数αi。
5、采用三次b样条插值算法计算出待插值点的像素值，在清晰的植物病虫害叶片目标图像的空间域进行插值处理，得到超分辨率植物病虫害叶片目标图像。
步骤三、通过深度学习算法对超分辨率植物病虫害叶片目标图像进行融合、分析和计算，生成植物病虫害图像特征表达；具体包括以下步骤：
(1)采用hog特征提取法提取植物病虫害图像特征，将超分辨率植物病虫害叶片目标图像分割成多个连通区域，即细胞单元，采集细胞单元中各像素点的梯度或边缘的方向直方图，将梯度或边缘的直方图组合起来构成植物病虫害图像特征。
(2)利用基于网络的wavecluster聚类算法对植物病虫害图像特征进行种类重新划分，使具有相似特征的图片归为一类，生成类别标签。
(3)利用决策树分类算法对类别标签进行分类预测，通过特征选择、决策树生成和决策树修剪得到预测结果。
步骤四、通过深度学习网络对植物病虫害图像特征表达进行分析和计算，生成基于深度学习网络的植物病虫害识别模型；具体包括以下步骤：
(1)构建并训练深度学习网络模型；深度学习网络模型由至少一层卷积层、两条全连接流和一层病虫害分类层组成；两条全连接流位于卷积层之后；每一条全连接流由至少一层全连接层构成；全连接层的最后一层的神经元个数与对应的植物病虫害叶片图像种类数量、正常植物叶片图像种类数量均相同；病虫害分类层位于两条全连接流之后；病虫害分类层中的每一类分别对应一种植物病虫害。
(2)利用深度学习网络模型训练正常植物叶片图像并生成模型参数。
(3)将模型参数迁移至新的深度学习网络模型，得到基于深度学习网络的植物病虫害识别模型。
步骤五、利用基于深度学习网络的植物病虫害识别模型对需要识别的植物病虫害叶片图像进行训练。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
技术特征：
1.基于深度学习的植物病虫害识别方法，其特征在于，包括以下步骤：
步骤一、采集植物病虫害叶片图像和正常植物叶片图像；
步骤二、图像预处理，得到超分辨率植物病虫害叶片目标图像；
步骤三、通过深度学习算法对超分辨率植物病虫害叶片目标图像进行融合、分析和计算，生成植物病虫害图像特征表达；
步骤四、通过深度学习网络对植物病虫害图像特征表达进行分析和计算，生成基于深度学习网络的植物病虫害识别模型；
步骤五、利用基于深度学习网络的植物病虫害识别模型对需要识别的植物病虫害叶片图像进行训练。
2.根据权利要求1所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤一中，图像的采集方法选自以下其中一种：
(1)相机拍摄；
(2)网页下载；
(3)手机app下载。
3.根据权利要求1所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤二中，图像预处理具体包括以下步骤：
(1)统一图像尺寸和格式；
(2)将植物病虫害叶片图像和正常植物叶片图像分别进行傅立叶变换得到对应的傅立叶变换谱s1(x,y)和s2(x,y)；
(3)利用傅立叶变换谱计算目标函数，公式如下：
式中，i1(x,y)为植物病虫害叶片图像的光学传递函数，i1*(x,y)为i1(x,y)的复共轭，i2(x,y)为正常植物叶片图像的光学传递函数，i2*(x,y)为i2(x,y)的复共轭；
(4)利用目标函数和共轭梯度算法计算出泽尼克像差系数αi，利用泽尼克像差系数αi计算像差分布，通过像差分布得到植物病虫害叶片目标图像，对植物病虫害叶片目标图像进行维纳滤波处理，得到清晰的植物病虫害叶片目标图像；
(5)采用三次b样条插值算法计算出待插值点的像素值，在清晰的植物病虫害叶片目标图像的空间域进行插值处理，得到超分辨率植物病虫害叶片目标图像。
4.根据权利要求3所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤二(1)中，图像尺寸为640x480，rgb制式，格式为jpg、png、gif或tif。
5.根据权利要求3所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤二(3)中，i1(x,y)和i2(x,y)的表达式如下所示：
i1(x,y)＝d1(x,y)×d1(x,y)；
i2(x,y)＝d2(x,y)×d2(x,y)；
式中，d1(x,y)和d2(x,y)为对应的系统光学传递函数，其表达式如下所示：
d1(x，y)＝b(x，y)exp{j[φ(x，y)+δφ1(x，y)]}
d2(x，y)＝b(x，y)exp{j[φ(x，y)+δφ2(x，y)]}
式中，b(x,y)表示光瞳的二值函数，φ(x，y)表示广义光瞳的相位差函数，δφ1(x，y)和δφ2(x，y)均表示对应的离焦产生的相位差函数。
φ(x，y)表示成泽尼克多项式的形式如下所示：
δφ1(x，y)和δφ2(x，y)的表达式如下所示：
式中，λ表示入射光波长，f表示系统的焦距，δz1和δz2均表示离焦距离。
6.根据权利要求3所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤二(4)中，利用目标函数和共轭梯度算法计算出泽尼克像差系数αi的具体过程如下：
(1)根据上述的目标函数的表达式，设定初始值x(0)及精度为ε；(2)计算g(0)＝▽f(x0)，g(0)为在点x(0)处目标函数的梯度函数▽f(x0)；(3)判断，若g(0)的绝对值小于设定的精度ε，则最终解x*＝x(0)，停止算法；(4)若g(0)的绝对值大于设定的精度ε，则令p(0)＝-g(0)；(5)采用一维搜索获得最优补偿因子tk；(6)令x(k+1)＝x(k)+tkp(k)，计算在点x(k+1)处目标函数的梯度函数值g(k+1)；(7)判断，若g(k+1)的绝对值小于设定的精度ε，则停止迭代，最终解x*＝x(k+1)；(8)若g(k+1)的绝对值大于设定的精度ε，则判断k是否等于n；(9)若k等于n，则令x(0)＝x(k+1)，g(0)＝g(k+1)，返回第(4)步继续迭代计算；(10)若k不等于n，则令a＝||g(k+1)||2/||g(k)||2，p(k+1)＝-g(k+1)+ap(k)，返回第(4)步继续迭代计算，直到求解出这组泽尼克像差系数αi。
7.根据权利要求1所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤三具体包括以下步骤：
(1)采用hog特征提取法提取植物病虫害图像特征，将超分辨率植物病虫害叶片目标图像分割成多个连通区域，即细胞单元，采集细胞单元中各像素点的梯度或边缘的方向直方图，将梯度或边缘的直方图组合起来构成植物病虫害图像特征；
(2)利用基于网络的wavecluster聚类算法对植物病虫害图像特征进行种类重新划分，使具有相似特征的图片归为一类，生成类别标签；
(3)利用决策树分类算法对类别标签进行分类预测，通过特征选择、决策树生成和决策树修剪得到预测结果。
8.根据权利要求1所述的基于深度学习的植物病虫害识别方法，其特征在于，步骤四具体包括以下步骤：
(1)构建并训练深度学习网络模型；
(2)利用深度学习网络模型训练正常植物叶片图像并生成模型参数；
(3)将模型参数迁移至新的深度学习网络模型，得到基于深度学习网络的植物病虫害识别模型。
9.根据权利要求8所述的基于深度学习的植物病虫害识别方法，其特征在于，所述深度学习网络模型由至少一层卷积层、两条全连接流和一层病虫害分类层组成；两条全连接流位于卷积层之后；每一条全连接流由至少一层全连接层构成；全连接层的最后一层的神经元个数与对应的植物病虫害叶片图像种类数量、正常植物叶片图像种类数量均相同；病虫害分类层位于两条全连接流之后。
10.根据权利要求9所述的基于深度学习的植物病虫害识别方法，其特征在于，所述病虫害分类层中的每一类分别对应一种植物病虫害。
技术总结
基于深度学习的植物病虫害识别方法，涉及植物病虫害防治领域，解决了现有农作物病虫害分类识别方法存在的图像识别率低、模型结构复杂、预测精准度低的问题。本发明包括：采集植物病虫害叶片图像和正常植物叶片图像；图像预处理，得到超分辨率植物病虫害叶片目标图像；通过深度学习算法对超分辨率植物病虫害叶片目标图像进行融合、分析和计算，生成植物病虫害图像特征表达；通过深度学习网络对植物病虫害图像特征表达进行分析和计算，生成基于深度学习网络的植物病虫害识别模型；利用基于深度学习网络的植物病虫害识别模型对需要识别的植物病虫害叶片图像进行训练。本发明图像识别率高、模型结构简单、预测精准度高。
技术研发人员：徐兴梅;刘远;周晶;陈谦;王硕;王宁;于孝铂
受保护的技术使用者：吉林农业大学
技术研发日：2019.12.19
技术公布日：2020.04.28
相关知识
基于深度学习的花卉识别系统开发
基于深度学习的花卉识别研究
基于深度迁移学习模型的花卉种类识别
基于深度学习的百合花种类识别研究
基于深度学习和迁移学习的识花实践
深度学习在植物叶部病害检测与识别的研究进展
基于深度学习的玉米病虫害检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
一种改进的深度置信网络在棉花病虫害预测中的应用
基于 CNN 和迁移学习的农作物病害识别方法研究
基于残差网络迁移学习的花卉识别系统
网址: 基于深度学习的植物病虫害识别方法与流程 https://m.huajiangbk.com/newsview130990.html
| 上一篇: 基于小样本学习的植物病害识别研究 |
下一篇: 基于多视图特征融合的植物病害识别 |
