首页 > 分享 > 一种基于深度学习算法的烟叶病虫害识别方法与流程

一种基于深度学习算法的烟叶病虫害识别方法与流程

花匠小妙招
2024-11-12 06:06

本发明涉及烟叶病虫害识别技术领域，具体来说，涉及一种基于深度学习算法的烟叶病虫害识别方法。

背景技术：

由于烟叶种植品种单一、重茬种植不合理、配套栽培措施不完善等原因，烟叶病害发病率高，不仅造成烟叶生产减产降质，同时引发过度施肥和农药、除草剂滥用等问题，对环境带来严重负担。

目前对于烟叶病害的观测方法停留在传统的实地目测上，依赖个人经验、通过烟叶的外观表型进行判断。由于烟农对于病虫害的发生发展规律和防治配套措施了解不足，往往不能准确判断和掌握病情，并采取有效的应对措施。而烟技员和专家虽然对于病害的判定与防治具有较为丰富的经验，但由于服务能力有限，无法及时为分散各处的农户提供现场服务。可见，通过人工进行烟叶病害判定的方式费时费力、效率较低、实时性差，烟叶生产病虫害误判、漏判、错判等现象时有发生，给烟叶生产带来严重的经济损失。

技术实现要素：

本发明的目的在于提出一种基于深度学习算法的烟叶病虫害识别方法，以克服现有技术中存在的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于深度学习算法的烟叶病虫害识别方法，所述方法包括：

1)采集海量烟叶病虫害图片；

2)去掉不合格的烟叶病虫害图片，将合格的烟叶病虫害图片按照烟叶病虫害的种类进行分类存放作为训练样本库；

3)使用googlenet模型并采用改进后的inception结构实现烟叶病虫害识别模型的建立；

4)获取待测病虫害图像的rgb图像信息；

5)判断所述图像信息是否为烟叶图像信息，若是，执行以下步骤；

6)使用建立好的烟叶病虫害识别模型识别出烟叶病害种类。

作为一种可选的实施方式，还包括：

7)将步骤6)中的用于进行识别的烟叶病虫害图片加入所述训练样本库。

作为一种可选的实施方式，步骤1)中依托全国22个烟叶产区烟叶系统实施运维人员、烟技员和烟农广泛采集不同产区、不同品种和不同病虫害在烟叶各个生长阶段的海量烟叶病虫害图片。

作为一种可选的实施方式，步骤2)中依托烟科所专门研究烟叶病虫害的农艺师去掉不合格的烟叶病虫害图片，将合格的烟叶病虫害图片按照烟叶病虫害的种类进行分类存放作为训练样本库。

作为一种可选的实施方式，所述农艺师的个数至少为2个，所述训练样本库中的烟叶病虫害图片只存放所有农艺师审核意见一致的烟叶病虫害图片。

作为一种可选的实施方式，步骤3)包括：

3.1)googlenet模型共有22层，在第一个卷积层conv1中，pad是3，64个特征，7*7步长为2，输出特征为112*112*64，然后进行relu，经过pool1进行pooling3*3的核，步长为2，[(112-3+1)/2]+1＝56特征为56*56*64，然后进行normal归一化；

3.2)第二层卷积层conv2，pad是1，3*3，192个特征，输出为56*56*192，然后进行relu，进行norm，经过pool2进行pooling，3*3的核，步长为2输出为28*28*192然后进行split分成四个支线；

3.3)第三层时开始inceptionmodule；

3.4)最后将四个结果进行连接，输出为28*28*256。

作为一种可选的实施方式，步骤5)利用卷积神经网络进行特征提取，然后在顶层添加一个logisticregression分类器进行是否烟叶的二分类。

本发明的有益效果：

1、提出了一套完整的烟叶病虫害识别体系，从是否烟叶判别，再到对烟叶进行病害识别，适用于在线烟叶病害识别；

2、采用了googlenet模型进行烟叶病害种类划分，用更多的卷积、更深的网络层数能得到更高的识别准确率；

3、提出了自我学习的方法，在使用过程中不断增加样本数量，适时自动训练模型，能不断提高识别准确率。

附图说明

图1是本发明所述方法的流程图；

图2是本发明所述烟叶病虫害识别模型的训练流程图；

图3是本发明所述烟叶病害识别流程图；

图4是本发明改进后的inception结构图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

如图1-3所示，根据本发明的实施例所述的一种基于深度学习算法的烟叶病虫害识别方法，所述方法包括：

步骤1：采集海量烟叶病虫害图片。具体的，依托全国22个烟叶产区烟叶系统实施运维人员、烟技员和烟农广泛采集不同产区、不同品种和不同病虫害在烟叶各个生长阶段的海量烟叶病虫害图片。

步骤2：去掉不合格的烟叶病虫害图片，将合格的烟叶病虫害图片按照烟叶病虫害的种类进行分类存放作为训练样本库。具体的，本步骤中首先将收集的烟叶病虫害图片由烟科所专门研究烟叶病虫害的农艺师对图片进行审核并打标签，去掉不合格的图片，然后将符合要求的图片打上病害种类标签。为保障样本分类的高度可靠性，样本同时由3位烟科所专门研究烟叶病虫害的农艺师进行标注，只采用3位专家标注一致的样本。

步骤3：使用googlenet模型并采用改进后的inception结构实现烟叶病虫害识别模型的建立。具体的，包括以下步骤：

步骤3.1：googlenet模型共有22层，在第一个卷积层conv1中，pad是3，64个特征，7*7步长为2，输出特征为112*112*64，然后进行relu，经过pool1进行pooling3*3的核，步长为2，[(112-3+1)/2]+1＝56特征为56*56*64，然后进行normal归一化；

步骤3.2：第二层卷积层conv2，pad是1，3*3，192个特征，输出为56*56*192，然后进行relu，进行norm，经过pool2进行pooling，3*3的核，步长为2输出为28*28*192然后进行split分成四个支线；

步骤3.3：第三层时开始inceptionmodule，如图4所示，这个的思想受到使用不同尺度的卷积核来处理多尺度问题；

步骤3.4：最后将四个结果进行连接，输出为28*28*256。

步骤4：获取待测病虫害图像的rgb图像信息。具体的使用自主开发的烟叶病害识别软件通过手机摄像头拍摄或者从相册中选取烟叶病害图片，进一步的识别软件提供取景框功能，并提供“病害拍照指南”，通过示例图片和文字描述提高用户拍摄图片的质量。

步骤5：判断所述图像信息是否为烟叶图像信息，若是，执行以下步骤。本步骤首先利用卷积神经网络进行特征提取，然后在顶层添加一个logisticregression分类器进行是否烟叶的二分类；具体方法如下：

501、使用卷积神经网络进行特征获取，在一个卷积层，上一层的特征maps被一个可学习的卷积核进行卷积，然后通过一个激活函数，就可以得到输出特征map。每一个输出map可能是组合卷积多个输入maps的值：

mj表示选择的输入maps的集合；

502、隐含层的每个神经元与输入层的连线构成了特征向量。去掉输出层，x1、x2···xm就是输出特征值，然后再接上logisticregression分类器进行二分类。通过后验概率如果大于0.5，则预测为类别1；否则为类别0。

步骤6：使用建立好的烟叶病虫害识别模型识别出烟叶病害种类。

步骤7：将步骤6中的用于进行识别的烟叶病虫害图片加入所述训练样本库。具体的，用户使用过程中产生的识别记录和贡献的图片，经过专家审核后自动加入训练样本库，在同时满足以下条件时自动训练新版识别模型：1、增量图片大于500张；2、距离上次模型训练完成时间超过1天。进一步的，判断新模型的识别率是否高于旧模型，如果高于旧模型就上线新模型。通过不断自我学习，提高烟叶病害识别率。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。