CN108287914A - 一种基于卷积神经网络的果树病害识别与防治方法 - Google Patents

一种基于卷积神经网络的果树病害识别与防治方法 Download PDF

Info

Publication number
CN108287914A
CN108287914A CN201810132772.9A CN201810132772A CN108287914A CN 108287914 A CN108287914 A CN 108287914A CN 201810132772 A CN201810132772 A CN 201810132772A CN 108287914 A CN108287914 A CN 108287914A
Authority
CN
China
Prior art keywords
picture
image data
fruit diseases
fruit
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810132772.9A
Other languages
English (en)
Inventor
王星
杜伟
唐晓亮
常戬
陈吉
关连正
李汉森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN201810132772.9A priority Critical patent/CN108287914A/zh
Publication of CN108287914A publication Critical patent/CN108287914A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medicines Containing Plant Substances (AREA)

Abstract

本发明提供一种基于卷积神经网络的果树病害识别与防治方法，涉及计算机视觉技术领域。包括：获取图片数据集并构建系统图片知识库；构建果树病害的系统文本知识库；对果树病害进行图片采集；提取图片的纹理特征，将采集的图片数据与系统图片知识库进行匹配；输出图片匹配结果，返回给用户解决方法。本发明提供的一种基于卷积神经网络的果树病害识别与防治方法，通过深度学习方式，利用大量果树病害的图片形成的系统图片知识库，与用户采集到的果树病害图片进行匹配、分类，并结合构建的果树病害系统文本数据库，返回给用户该类疾病的解决方法，不仅能为用户在解决果树疾病预防、治疗、防御上提供方便，也能为农科所的工作人员减轻工作负担。

Description

一种基于卷积神经网络的果树病害识别与防治方法
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种基于卷积神经网络的果树病害识别与防治方法。
背景技术
目前，基于PDA的果树病虫害诊断识别方法一般都是通过远程PC系统和移动客户端系统共同实现，其中，远程PC系统包括PC数据库、PC索引库、数据采集模块、索引管理模块、规则引擎和传输模块。数据采集模块将采集的原始信息上传给PC数据库；索引管理模块对PC数据库中的数据逐条扫描，并按照规则引擎中的规则生成对应的索引条目，保存到PC索引库中；PC数据库和PC索引库均经过传输模块与移动客户端系统通讯。此类方法只能对文本数据进行操作，并且用户能够直接对服务器的数据库进行导入操作，影响了数据库的安全性，而且其中的移动客户端是通过用户对事物的描述文字向服务器端进行传入信息，具有一定的主观性，影响了识别的正确率，而用户通过客户端的反馈信息，只做了分析并没有和之前原始数据库有联系。
发明内容
针对现有技术存在的问题，本发明提供一种基于卷积神经网络的果树病害识别与防治方法，通过深度学习的方式，利用大量果树病害的图片制作图片数据集，然后将制作好的图片数据集放入卷积神经网络中进行训练，形成系统知识库，利用系统知识库与用户采集到的果树病害图片进行匹配、分类，并结合构建的果树病害系统文本数据库，返回给用户该类疾病的解决方法。
为了实现上述目的，一种基于卷积神经网络的果树病害识别与防治方法，包括以下步骤：
步骤1：获取图片数据集，使用Keras作为深度学习框架构建系统图片知识库，具体方法如下：
步骤1.1：获取图片数据集；所述图片数据集为各种果树得病后的症状图片；
步骤1.2：对获取的图片数据集进行预处理，将预处理后的图片数据集转换成矩阵，使用Keras作为深度学习框架，采用ReLU激活函数，搭建基于图片数据集的卷积神经网络，具体方法如下：
步骤1.2.1：对获取的图片数据集进行预处理，包括去噪、灰度化、增强；
步骤1.2.2：将预处理后的图片数据集转换成矩阵，对图像的不同数据窗口数据和共享的数据窗口权重做内积，即特征提取，然后得到新的二维特征图；
步骤1.2.3：对二维特征图进行压缩，一方面使特征图变小，简化网络计算复杂度，一方面进行特征压缩，提取主要特征；
步骤1.2.4：连接所有的特征，把最终得到的二维特征图转化成一个一维的向量，将输出值统一存储；
步骤1.3：将转换成矩阵的图片数据集，放到搭建好的卷积神经网络中，利用方向梯度直方图HOG进行训练，得到系统图片权重文件，即系统图片知识库；
步骤2：构建果树病害的系统文本知识库，包括各种果树病害的名称、病因、病害症状、发病规律和防治措施；
步骤3：采用拍照的方式对用户选取的果树病害进行图片采集；
步骤4：使用方向梯度直方图HOG提取图片的纹理特征，将采集的图片数据与系统图片知识库进行匹配，具体方法如下：
步骤4.1：对采集到的图片进行预处理，包括去噪、灰度化、增强；
步骤4.2：将预处理后的图片分成小的连通区域，即细胞单元；
步骤4.2：采集细胞单元中各像素点的方向梯度直方图，并统计此细胞单元的方向梯度直方图，则形成了此细胞单元的描述符；
步骤4.3：把采集到的所有描述符组合起来，构成该采集到的图片的特征描述；
步骤4.4：将采集到的图片的特征描述与系统图片知识库中进行匹配；
步骤5：结合构建的果树病害系统文本数据库，输出图片匹配后的结果，返回给用户该类疾病的解决方法，包括果树病害的名称、病因、病害症状、发病规律和防治措施。
本发明的有益效果：
本发明提出一种基于卷积神经网络的果树病害识别与防治方法，不仅能为用户在解决果树疾病预防、治疗、防御上提供方便，也能为农科所的工作人员减轻工作负担，将用户采集到的图片上传后就可立即区分该图片中果树的患病情况，包含果树具体所患哪种疾病、形成此种疾病的原因、怎么治疗此种疾病、今后怎么预防此种疾病等等，从而提高了用户对果树疾病的认识。
附图说明
图1为本发明实施例的基于卷积神经网络的果树病害识别与防治方法流程图；
图2为本发明实施例的基于卷积神经网络的果树病害识别与防治方法中步骤1流程图；
图3为本发明实施例的基于卷积神经网络的果树病害识别与防治方法中用户选取的果树疾病图样；
图4为本发明实施例的基于卷积神经网络的果树病害识别与防治方法中步骤4流程图；
图5为本发明实施例的基于卷积神经网络的果树病害识别与防治方法中匹配后输出图样。
具体实施方式
为了使本发明的目的、技术方案及优势更加清晰,下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
一种基于卷积神经网络的果树病害识别与防治方法，流程如图1所示，具体方法如下所述：
步骤1：获取图片数据集，使用Keras作为深度学习框架构建系统图片知识库，流程如图2所示，具体方法如下：
所述Keras是基于Theano的一个深度学习框架，参考了Torch，是一个高度模块化的神经网络库，支持GPU和CPU。
步骤1.1：获取图片数据集；所述图片数据集为各种果树得病后的症状图片；
步骤1.2：对获取的图片数据集进行预处理，将预处理后的图片数据集转换成矩阵，使用Keras作为深度学习框架，采用ReLU激活函数，搭建基于图片数据集的卷积神经网络，具体方法如下：
步骤1.2.1：对获取的图片数据集进行预处理，包括去噪、灰度化、增强；
步骤1.2.2：将预处理后的图片数据集转换成矩阵，对图像的不同数据窗口数据和共享的数据窗口权重做内积，即特征提取，然后得到新的二维特征图。
步骤1.2.3：对二维特征图进行压缩，一方面使特征图变小，简化网络计算复杂度，一方面进行特征压缩，提取主要特征。
步骤1.2.4：连接所有的特征，把最终得到的二维特征图转化成一个一维的向量，将输出值统一存储。
步骤1.3：将转换成矩阵的图片数据集，放到搭建好的卷积神经网络中，利用方向梯度直方图HOG进行训练，得到系统图片权重文件，即系统图片知识库。
所述方向梯度直方图HOG是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。
步骤2：构建果树病害的系统文本知识库，包括各种果树病害的名称、病因、病害症状、发病规律和防治措施。
步骤3：采用拍照的方式对用户选取的果树病害进行图片采集。
本实施例中，用户采集的果树病害图片如图3所示。
步骤4：使用方向梯度直方图HOG提取图片的纹理特征，将采集的图片数据与系统图片知识库进行匹配，流程如图4所示，具体方法如下：
步骤4.1：对采集到的图片进行预处理，包括去噪、灰度化、增强。
步骤4.2：将预处理后的图片分成小的连通区域，即细胞单元。
步骤4.2：采集细胞单元中各像素点的方向梯度直方图，并统计此细胞单元的方向梯度直方图，则形成了此细胞单元的描述符。
步骤4.3：把采集到的所有描述符组合起来，构成该采集到的图片的特征描述。
步骤4.4：将采集到的图片的特征描述与系统图片知识库中进行匹配。
步骤5：结合构建的果树病害系统文本数据库，输出图片匹配后的结果，返回给用户该类疾病的解决方法，包括果树病害的名称、病因、病害症状、发病规律和防治措施，如图5所示。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (4)

1.一种基于卷积神经网络的果树病害识别与防治方法，其特征在于，包括以下步骤：
步骤1：获取图片数据集，使用Keras作为深度学习框架构建系统图片知识库；
步骤2：构建果树病害的系统文本知识库，包括各种果树病害的名称、病因、病害症状、发病规律和防治措施；
步骤3：采用拍照的方式对用户选取的果树病害进行图片采集；
步骤4：使用方向梯度直方图HOG提取图片的纹理特征，将采集的图片数据与系统图片知识库进行匹配；
步骤5：结合构建的果树病害系统文本数据库，输出图片匹配后的结果，返回给用户该类疾病的解决方法，包括果树病害的名称、病因、病害症状、发病规律和防治措施。
2.根据权利要求1所述的基于卷积神经网络的果树病害识别与防治方法，其特征在于，所述步骤1包括以下步骤：
步骤1.1：获取图片数据集；所述图片数据集为各种果树得病后的症状图片；
步骤1.2：对获取的图片数据集进行预处理，将预处理后的图片数据集转换成矩阵，使用Keras作为深度学习框架，采用ReLU激活函数，搭建基于图片数据集的卷积神经网络；
步骤1.3：将转换成矩阵的图片数据集，放到搭建好的卷积神经网络中，利用方向梯度直方图HOG进行训练，得到系统图片权重文件，即系统图片知识库。
3.根据权利要求2所述的基于卷积神经网络的果树病害识别与防治方法，其特征在于，所述步骤1.2包括以下步骤：
步骤1.2.1：对获取的图片数据集进行预处理，包括去噪、灰度化、增强；
步骤1.2.2：将预处理后的图片数据集转换成矩阵，对图像的不同数据窗口数据和共享的数据窗口权重做内积，即特征提取，然后得到新的二维特征图；
步骤1.2.3：对二维特征图进行压缩，一方面使特征图变小，简化网络计算复杂度，一方面进行特征压缩，提取主要特征；
步骤1.2.4：连接所有的特征，把最终得到的二维特征图转化成一个一维的向量，将输出值统一存储。
4.根据权利要求1所述的基于卷积神经网络的果树病害识别与防治方法，其特征在于，所述步骤4包括以下步骤：
步骤4.1：对采集到的图片进行预处理，包括去噪、灰度化、增强；
步骤4.2：将预处理后的图片分成小的连通区域，即细胞单元；
步骤4.2：采集细胞单元中各像素点的方向梯度直方图，并统计此细胞单元的方向梯度直方图，则形成了此细胞单元的描述符；
步骤4.3：把采集到的所有描述符组合起来，构成该采集到的图片的特征描述；
步骤4.4：将采集到的图片的特征描述与系统图片知识库中进行匹配。
CN201810132772.9A 2018-02-09 2018-02-09 一种基于卷积神经网络的果树病害识别与防治方法 Pending CN108287914A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810132772.9A CN108287914A (zh) 2018-02-09 2018-02-09 一种基于卷积神经网络的果树病害识别与防治方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810132772.9A CN108287914A (zh) 2018-02-09 2018-02-09 一种基于卷积神经网络的果树病害识别与防治方法

Publications (1)

Publication Number Publication Date
CN108287914A true CN108287914A (zh) 2018-07-17

Family

ID=62832669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810132772.9A Pending CN108287914A (zh) 2018-02-09 2018-02-09 一种基于卷积神经网络的果树病害识别与防治方法

Country Status (1)

Country Link
CN (1) CN108287914A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111292182A (zh) * 2020-03-27 2020-06-16 北京信息科技大学 一种信贷欺诈检测方法及系统
GB2580675A (en) * 2019-01-23 2020-07-29 Wheelright Ltd Tyre sidewall imaging method
CN112884025A (zh) * 2021-02-01 2021-06-01 安徽大学 一种基于多特征分段式训练的茶叶病害分类系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102759528A (zh) * 2012-07-09 2012-10-31 陕西科技大学 一种农作物叶部病害检测方法
CN103903006A (zh) * 2014-03-05 2014-07-02 中国科学院合肥物质科学研究院 一种基于Android平台的农作物害虫识别方法及系统
CN104091181A (zh) * 2014-07-15 2014-10-08 中国科学院合肥物质科学研究院 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统
CN104572965A (zh) * 2014-12-31 2015-04-29 南京理工大学 基于卷积神经网络的以图搜图系统
CN105223202A (zh) * 2014-06-27 2016-01-06 丁莉丽 一种检测农作物叶部病害的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102759528A (zh) * 2012-07-09 2012-10-31 陕西科技大学 一种农作物叶部病害检测方法
CN103903006A (zh) * 2014-03-05 2014-07-02 中国科学院合肥物质科学研究院 一种基于Android平台的农作物害虫识别方法及系统
CN105223202A (zh) * 2014-06-27 2016-01-06 丁莉丽 一种检测农作物叶部病害的方法
CN104091181A (zh) * 2014-07-15 2014-10-08 中国科学院合肥物质科学研究院 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统
CN104572965A (zh) * 2014-12-31 2015-04-29 南京理工大学 基于卷积神经网络的以图搜图系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2580675A (en) * 2019-01-23 2020-07-29 Wheelright Ltd Tyre sidewall imaging method
US11922683B2 (en) 2019-01-23 2024-03-05 Wheelright Limited Tyre sidewall imaging method
CN111292182A (zh) * 2020-03-27 2020-06-16 北京信息科技大学 一种信贷欺诈检测方法及系统
CN112884025A (zh) * 2021-02-01 2021-06-01 安徽大学 一种基于多特征分段式训练的茶叶病害分类系统
CN112884025B (zh) * 2021-02-01 2022-11-04 安徽大学 一种基于多特征分段式训练的茶叶病害分类系统

Similar Documents

Publication Publication Date Title
WO2020238293A1 (zh) 图像分类方法、神经网络的训练方法及装置
Xu et al. Light-YOLOv3: fast method for detecting green mangoes in complex scenes using picking robots
WO2021022521A1 (zh) 数据处理的方法、训练神经网络模型的方法及设备
WO2021155792A1 (zh) 一种处理装置、方法及存储介质
Gulhane et al. Diagnosis of diseases on cotton leaves using principal component analysis classifier
WO2021051987A1 (zh) 神经网络模型训练的方法和装置
CN108287914A (zh) 一种基于卷积神经网络的果树病害识别与防治方法
Zhang et al. Deep multi-scale dual-channel convolutional neural network for Internet of Things apple disease detection
Baser et al. Tomconv: An improved cnn model for diagnosis of diseases in tomato plant leaves
Lu et al. Toward good practices for fine-grained maize cultivar identification with filter-specific convolutional activations
Liu et al. Recognition of pyralidae insects using intelligent monitoring autonomous robot vehicle in natural farm scene
Julianto et al. A performance evaluation of convolutional neural network architecture for classification of rice leaf disease
CN112364705A (zh) 基于多层次特征融合的轻量型cnn的表情识别方法
Al-bayati et al. Artificial intelligence in smart agriculture: Modified evolutionary optimization approach for plant disease identification
US11150657B2 (en) Lossy data compressor for vehicle control systems
Zu et al. Disease identification of Lentinus edodes sticks based on deep learning model
CN116524224A (zh) 一种基于机器视觉的烤后烟叶类型检测方法及系统
Hu et al. Lightweight multi-scale network with attention for facial expression recognition
Xiao et al. Leaf disease detection based on lightweight deep residual network and attention mechanism
Chauhan et al. Empirical Study on convergence of Capsule Networks with various hyperparameters
KR102393265B1 (ko) 버섯 병해충 검출 시스템
CN113221913A (zh) 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置
Qin et al. A real-time low-cost artificial intelligence system for autonomous spraying in palm plantations
Liu et al. Heterogenous image fusion model with SR-dual-channel PCNN significance region for NSST in an apple orchard
CN116824144A (zh) 一种对葡萄叶小病斑进行分割的U型感知轻量级Transformer方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180717