CN108596201A - 一种基于图片识别果蔬病害的方法及装置 - Google Patents
一种基于图片识别果蔬病害的方法及装置 Download PDFInfo
- Publication number
- CN108596201A CN108596201A CN201810183240.8A CN201810183240A CN108596201A CN 108596201 A CN108596201 A CN 108596201A CN 201810183240 A CN201810183240 A CN 201810183240A CN 108596201 A CN108596201 A CN 108596201A
- Authority
- CN
- China
- Prior art keywords
- pictures
- picture
- convolution
- kernel size
- carried out
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Abstract
本申请公开了一种基于图片识别果蔬病害的方法及装置，其中方法包括：通过卷积神经网络训练至少一种果蔬病害特征，并产生对应的果蔬病害特征数据；将果蔬病害特征数据存储至存储器；接收被识别图片；通过卷积神经网络提取被识别图片的图片特征；及将图片特征与果蔬病害特征数据对比，并输出对比结果。只需上传疑似患病的番茄图片，对图像进行处理，即可输出相应的病害名称或没有患病，改善了传统方法中的图像预处理和人工参与进行特征提取的复杂性，降低了对数据集质量的要求。解决人工方法效率低、准确率不高的问题，能够及时而精准地检测出番茄病害，与传统的机器训练方法相比较，在准确度和泛化能力上有很大的优势。
Description
技术领域
本申请涉及图片识别领域，特别是涉及一种基于图片识别果蔬病害的方法及装置。
背景技术
传统的番茄检测方法是通过专业人员人工观察番茄的症状，然后根据以往的经验判断病害种类。这种方法受人为因素影响较大,有可靠性低、识别效率低等问题。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓解上述问题。
根据本申请的一个方面，提供了一种基于图片识别果蔬病害的方法，包括如下步骤：S100：通过卷积神经网络训练至少一种果蔬病害特征，并产生对应的果蔬病害特征数据；S200：将所述果蔬病害特征数据存储至存储器；S300：接收被识别图片；S400：通过所述卷积神经网络提取所述被识别图片的图片特征；及S500：将所述图片特征与所述果蔬病害特征数据对比，并输出对比结果。
可选地，所述步骤100包括：
S101：接收训练图片；
S102：对所述训练图片进行步长为2，卷积核尺寸为7*7的卷积运算，并输出64张第一图片；
S103：对所述64张第一图片进行步长为2，卷积核尺寸为3*3的最大池化运算，并输出64张第二图片；
S104：对所述64张第二图片进行卷积核尺寸为1*1的卷积运算，并输出64张第三图片；
S105：对所述64张第三图片进行卷积核尺寸为3*3的卷积运算，并输出64张第四图片；
S106：对所述64张第四图片进行卷积核尺寸为1*1的卷积运算，并输出256张第五图片；
S107：在由所述256张第五图片及所述64张第二图片组成的第一图片库中随机选取256张第一随机图片，对所述256张第一随机图片进行卷积核尺寸为1*1的卷积运算，并输出64张第六图片；
S108：对所述64张第六图片进行卷积核尺寸为3*3的卷积运算，并输出64张第七图片；
S109：对所述64张第七图片进行卷积核尺寸为1*1的卷积运算，并输出256张第八图片；
S110：在由所述256张第八图片及所述64张第二图片组成的第二图片库中随机选取256张第一随机图片，对所述256张第一随机图片进行卷积核尺寸为1*1的卷积运算，并输出64张第九图片；
S111：对所述64张第九图片进行卷积核尺寸为3*3的卷积运算，并输出64张第十图片；
S112：对所述64张第十图片进行卷积核尺寸为1*1的卷积运算，并输出256张第十一图片；
S113：在由所述256张第十一图片及所述64张第二图片组成的第三图片库中随机选取256张第三随机图片，对所述256张第三随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第十二图片；
S114：对所述128张第十二图片进行卷积核尺寸为3*3的卷积运算，并输出128张第十三图片；
S115：对所述128张第十三图片进行卷积核尺寸为1*1的卷积运算，并输出512张第十四图片；
S116：在由所述512张第十四图片及所述64张第二图片组成的第四图片库中随机选取512张第四随机图片，对所述512张第四随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第十五图片；
S117：对所述128张第十五图片进行卷积核尺寸为3*3的卷积运算，并输出128张第十六图片；
S118：对所述128张第十六图片进行卷积核尺寸为1*1的卷积运算，并输出512张第十七图片；
S119：在由所述512张第十七图片及所述64张第二图片组成的第五图片库中随机选取512张第五随机图片，对所述512张第五随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第十八图片；
S120：对所述128张第十八图片进行卷积核尺寸为3*3的卷积运算，并输出128张第十九图片；
S121：对所述128张第十九图片进行卷积核尺寸为1*1的卷积运算，并输出512张第二十图片；
S122：在由所述512张第二十图片及所述64张第二图片组成的第六图片库中随机选取512张第六随机图片，对所述512张第六随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第二十一图片；
S123：对所述128张第二十一图片进行卷积核尺寸为3*3的卷积运算，并输出128张第二十二图片；
S124：对所述128张第二十二图片进行卷积核尺寸为1*1的卷积运算，并输出512张第二十三图片；
S125：在由所述512张第二十三图片及所述64张第二图片组成的第七图片库中随机选取512张第七随机图片，对所述512张第七随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第二十四图片；
S126：对所述256张第二十四图片进行卷积核尺寸为3*3的卷积运算，并输出256张第二十五图片；
S127：对所述256张第二十五图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第二十六图片；
S128：在由所述1024张第二十六图片及所述64张第二图片组成的第八图片库中随机选取1024张第八随机图片，对所述1024张第八随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第二十七图片；
S129：对所述256张第二十七图片进行卷积核尺寸为3*3的卷积运算，并输出256张第二十八图片；
S130：对所述256张第二十八图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第二十九图片；
S131：在由所述1024张第二十九图片及所述64张第二图片组成的第九图片库中随机选取1024张第九随机图片，对所述1024张第九随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第三十图片；
S132：对所述256张第三十图片进行卷积核尺寸为3*3的卷积运算，并输出256张第三十一图片；
S133：对所述256张第三十一图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第三十二图片；
S134：在由所述1024张第三十二图片及所述64张第二图片组成的第十图片库中随机选取1024张第十随机图片，对所述1024张第十随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第三十三图片；
S135：对所述256张第三十三图片进行卷积核尺寸为3*3的卷积运算，并输出256张第三十四图片；
S136：对所述256张第三十四图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第三十五图片；
S137：在由所述1024张第三十五图片及所述64张第二图片组成的第十一图片库中随机选取1024张第十一随机图片，对所述1024张第十一随机图片进行卷积核尺寸为1*1的卷积运算，并输出512张第三十六图片；
S138：对所述512张第三十六图片进行卷积核尺寸为3*3的卷积运算，并输出512张第三十七图片；
S139：对所述512张第三十七图片进行卷积核尺寸为1*1的卷积运算，并输出2048张第三十八图片；
S140：在由所述2048张第三十八图片及所述64张第二图片组成的第十二图片库中随机选取2048张第十二随机图片，对所述2048张第十二随机图片进行卷积核尺寸为1*1的卷积运算，并输出512张第三十九图片；
S141：对所述512张第三十九图片进行卷积核尺寸为3*3的卷积运算，并输出512张第四十图片；
S142：对所述512张第四十图片进行卷积核尺寸为1*1的卷积运算，并输出2048张第四十一图片；
S143：在由所述2048张第四十一图片及所述64张第二图片组成的第十三图片库中随机选取2048张第十三随机图片，对所述2048张第十三随机图片进行卷积核尺寸为1*1的卷积运算，并输出512张第四十二图片；
S144：对所述512张第四十二图片进行卷积核尺寸为3*3的卷积运算，并输出512张第四十三图片；
S145：对所述512张第四十三图片进行卷积核尺寸为1*1的卷积运算，并输出2048张第四十四图片；
S146：在由所述2048张第四十四图片及所述64张第二图片组成的第十四图片库中随机选取2048张第十四随机图片，对所述2048张第十四随机图片进行卷积核尺寸为1*1的卷积运算，并输出15张第四十五图片；
S147：通过所述第四十五图片产生对应的果蔬病害特征数据。
可选地，所述步骤S101包括：接收所述训练图片，并将所述训练图片转换成像素为448*448的图片。
可选地，所述第一图片的像素为224*224，所述第二图片至所述第十一图片的像素为112*112，所述第十二图片至所述第二十三图片的像素为56*56，所述第二十四图片至所述第三十五图片的像素为28*28，所述第三十六图片至所述第四十四图片的像素为14*14，所述第四十五图片的像素为1*1。
可选地，所述基于图片识别果蔬病害的方法还包括：
S148：接收测试图片，并对所述测试图片进行在所述步骤101至所述步骤147中对所述训练图片进行的运算，并得到测试结果；
S149：根据所述测试结果通过BP反馈调整所述步骤101至所述步骤147中对所述训练图片进行的运算。
可选地，所述步骤S101包括：
S1011：接收所述训练图片，将所述训练图片转换成像素为448*448的图片；
S1012：识别所述训练图片的显著性区域。
根据本申请的另一方面，还提供一种基于图片识别果蔬病害的装置，包括：
特征训练模块，其配置成通过卷积神经网络训练至少一种果蔬病害特征，并产生对应的果蔬病害特征数据；
存储模块，其配置成将所述果蔬病害特征数据存储至存储器；
识别图片接收模块；其配置成接收被识别图片；
特征提取模块，其配置成通过所述卷积神经网络提取所述被识别图片的图片特征；
对比模块，其配置成将所述图片特征与所述果蔬病害特征数据对比，并输出对比结果。
根据本申请的另一方面，还提供一种计算机设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上述任一项所述的方法。
根据本申请的另一方面，还提供一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上述任一项所述的方法。
根据本申请的另一方面，还提供一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由计算机设备执行时，导致所述计算机设备执行上述任一项所述的方法。
本申请的基于图片识别果蔬病害的方法及装置只需要通过图像进行处理，改善了传统方法中的图像预处理和人工参与进行特征提取的复杂性，降低了对数据集质量的要求。用户只需提供作物图片即可立刻得知结果。与传统的人工识别相比，提高了检测效率，与传统的机器训练方法相比较，在准确度和泛化能力上有很大的优势。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本申请一个实施例的基于图片识别果蔬病害的方法的流程图；
图2是根据本申请一个实施例的训练果蔬病害特征的特征图；
图3是根据本申请一个实施例的计算机可读存储介质的示意图；
图4是根据本申请一个实施例的计算机程序产品的示意图。
具体实施方式
请参照图1，在本申请一实施例中，基于图片识别果蔬病害的方法，包括如下步骤：S100：通过卷积神经网络训练至少一种果蔬病害特征，并产生对应的果蔬病害特征数据；S200：将果蔬病害特征数据存储至存储器；S300：接收被识别图片；S400：通过卷积神经网络提取被识别图片的图片特征；及S500：将图片特征与果蔬病害特征数据对比，并输出对比结果。
本实施例中以番茄为例，通过卷进申请网络训练番茄的病害识别。例如番茄的青枯病、灰霉病、灰叶斑、溃疡病、早疫病、晚疫病、病毒病、茎基腐病等常见的番茄病害，但并不以此为限。训练完成上述病害之后将相应的病害特征存储至存储器作为对比特征。训练完成之后，将一张疑似患病害的番茄图片再输入到卷积神经网络中，并通过卷积神经网络提取该番茄图片的图片特征。最后将该图片特征与对比特征进行比对。由于训练得出的对比特征可有多组，每一组对应一种病害。因此，图片特征与哪一组对比特征符合，则判定该图片上的番茄患有相应的病害。在本实施例中，比对结果包括：病害图片、含有患病部位标识的图片，病害种类及病害概率，但并不以此为限。
请参照图2，在本申请一实施例中，通过卷积神经网络训练至少一种番茄病害特征，并产生对应的番茄病害特征数据包括如下步骤：
S101：接收训练图片；
S102：对训练图片进行步长为2，卷积核尺寸为7*7的卷积运算，并输出64张第一图片；
S103：对64张第一图片进行步长为2，卷积核尺寸为3*3的最大池化运算，并输出64张第二图片；
S104：对64张第二图片进行卷积核尺寸为1*1的卷积运算，并输出64张第三图片；
S105：对64张第三图片进行卷积核尺寸为3*3的卷积运算，并输出64张第四图片；
S106：对64张第四图片进行卷积核尺寸为1*1的卷积运算，并输出256张第五图片；
S107：在由256张第五图片及64张第二图片组成的第一图片库中随机选取256张第一随机图片，对256张第一随机图片进行卷积核尺寸为1*1的卷积运算，并输出64张第六图片；
S108：对64张第六图片进行卷积核尺寸为3*3的卷积运算，并输出64张第七图片；
S109：对64张第七图片进行卷积核尺寸为1*1的卷积运算，并输出256张第八图片；
S110：在由256张第八图片及64张第二图片组成的第二图片库中随机选取256张第一随机图片，对256张第一随机图片进行卷积核尺寸为1*1的卷积运算，并输出64张第九图片；
S111：对64张第九图片进行卷积核尺寸为3*3的卷积运算，并输出64张第十图片；
S112：对64张第十图片进行卷积核尺寸为1*1的卷积运算，并输出256张第十一图片；
S113：在由256张第十一图片及64张第二图片组成的第三图片库中随机选取256张第三随机图片，对256张第三随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第十二图片；
S114：对128张第十二图片进行卷积核尺寸为3*3的卷积运算，并输出128张第十三图片；
S115：对128张第十三图片进行卷积核尺寸为1*1的卷积运算，并输出512张第十四图片；
S116：在由512张第十四图片及64张第二图片组成的第四图片库中随机选取512张第四随机图片，对512张第四随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第十五图片；
S117：对128张第十五图片进行卷积核尺寸为3*3的卷积运算，并输出128张第十六图片；
S118：对128张第十六图片进行卷积核尺寸为1*1的卷积运算，并输出512张第十七图片；
S119：在由512张第十七图片及64张第二图片组成的第五图片库中随机选取512张第五随机图片，对512张第五随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第十八图片；
S120：对128张第十八图片进行卷积核尺寸为3*3的卷积运算，并输出128张第十九图片；
S121：对128张第十九图片进行卷积核尺寸为1*1的卷积运算，并输出512张第二十图片；
S122：在由512张第二十图片及64张第二图片组成的第六图片库中随机选取512张第六随机图片，对512张第六随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第二十一图片；
S123：对128张第二十一图片进行卷积核尺寸为3*3的卷积运算，并输出128张第二十二图片；
S124：对128张第二十二图片进行卷积核尺寸为1*1的卷积运算，并输出512张第二十三图片；
S125：在由512张第二十三图片及64张第二图片组成的第七图片库中随机选取512张第七随机图片，对512张第七随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第二十四图片；
S126：对256张第二十四图片进行卷积核尺寸为3*3的卷积运算，并输出256张第二十五图片；
S127：对256张第二十五图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第二十六图片；
S128：在由1024张第二十六图片及64张第二图片组成的第八图片库中随机选取1024张第八随机图片，对1024张第八随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第二十七图片；
S129：对256张第二十七图片进行卷积核尺寸为3*3的卷积运算，并输出256张第二十八图片；
S130：对256张第二十八图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第二十九图片；
S131：在由1024张第二十九图片及64张第二图片组成的第九图片库中随机选取1024张第九随机图片，对1024张第九随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第三十图片；
S132：对256张第三十图片进行卷积核尺寸为3*3的卷积运算，并输出256张第三十一图片；
S133：对256张第三十一图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第三十二图片；
S134：在由1024张第三十二图片及64张第二图片组成的第十图片库中随机选取1024张第十随机图片，对1024张第十随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第三十三图片；
S135：对256张第三十三图片进行卷积核尺寸为3*3的卷积运算，并输出256张第三十四图片；
S136：对256张第三十四图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第三十五图片；
S137：在由1024张第三十五图片及64张第二图片组成的第十一图片库中随机选取1024张第十一随机图片，对1024张第十一随机图片进行卷积核尺寸为1*1的卷积运算，并输出512张第三十六图片；
S138：对512张第三十六图片进行卷积核尺寸为3*3的卷积运算，并输出512张第三十七图片；
S139：对512张第三十七图片进行卷积核尺寸为1*1的卷积运算，并输出2048张第三十八图片；
S140：在由2048张第三十八图片及64张第二图片组成的第十二图片库中随机选取2048张第十二随机图片，对2048张第十二随机图片进行卷积核尺寸为1*1的卷积运算，并输出512张第三十九图片；
S141：对512张第三十九图片进行卷积核尺寸为3*3的卷积运算，并输出512张第四十图片；
S142：对512张第四十图片进行卷积核尺寸为1*1的卷积运算，并输出2048张第四十一图片；
S143：在由2048张第四十一图片及64张第二图片组成的第十三图片库中随机选取2048张第十三随机图片，对2048张第十三随机图片进行卷积核尺寸为1*1的卷积运算，并输出512张第四十二图片；
S144：对512张第四十二图片进行卷积核尺寸为3*3的卷积运算，并输出512张第四十三图片；
S145：对512张第四十三图片进行卷积核尺寸为1*1的卷积运算，并输出2048张第四十四图片；
S146：在由2048张第四十四图片及64张第二图片组成的第十四图片库中随机选取2048张第十四随机图片，对2048张第十四随机图片进行卷积核尺寸为1*1的卷积运算，并输出15张第四十五图片；
S147：通过第四十五图片产生对应的番茄病害特征数据。
在本实施例中，通过200张训练图片得到番茄各种病害的病害特征数据，但并不以此为限。本领域技术人员可以根据实际需求改变训练图片的数量。所谓训练图片，是已知番茄患病害类型的图片。将这些图片通过卷积神经网络进行卷积计算，最后得出这些图片的图片特征，再将这些图片特征与该图片所对应的病害所在的病害图像数据图匹配。从而卷及申请网络就会认为，拥有这样图片特征的番茄就患有该种类的病害。训练完成之后，再输入未知病害的番茄图片，经过卷积神经网络使用相同的卷积运算提取的图片特征与哪个种类的病害的图片特征相符，就确认该未知病害的番茄图片中的番茄患有对应的病害。
本申请中的病害图像数据库用于存储番茄病害图像，并由专业农技师标注出图像对应的病害种类，其中也包含了健康图像。此外，还利用图像翻转、旋转、缩放等操作对数据进行了扩充。
在本申请一实施例中，第一图片的像素为224*224，第二图片至第十一图片的像素为112*112，第十二图片至第二十三图片的像素为56*56，第二十四图片至第三十五图片的像素为28*28，第三十六图片至第四十四图片的像素为14*14，第四十五图片的像素为1*1。
有时卷积申请网络在训练完成之后的准确度的不高，因此在本申请一实施例中，基于图片识别番茄病害的方法还包括：
S148：接收测试图片，并对测试图片进行在步骤101至步骤147中对训练图片进行的运算，并得到测试结果；
S149：根据测试结果通过BP反馈调整步骤101至步骤147中对训练图片进行的运算。
所谓测试图片，也是一些已知番茄患病害种类的番茄图片，通过对测试图片进行对训练图片相同的卷积计算，最后比对结果得出的病害如果与已知的病害不符，就会反馈该卷积神经网络进行调整，调整所使用的BP(Back Propagation)反馈调整方法，是本领域技术人员都知道的方法，此处不再赘述。在本实施例中，测试图片的数量为100，但并不以此为限。
为了更好的对图片进行卷积运算，在本申请一实施例中，还包括对图片的尺寸进行转换，即将输入的图片的尺寸转换成像素为448*448的图片之后，在进行卷积运算。
在本申请一实施例中，为了加快训练时间，在对图片进行卷积运算之前，还包括识别图片的显著性区域。所谓识别显著性区域为：面对一个场景时，人眼会自动对感兴趣区域进行处理而选择性地忽略不感兴趣区域，这些被人们感兴趣的区域被称为显著性区域，但计算机无法自动地过滤掉非显著的区域。在实际应用中，用户上传的图像质量参差不齐，有时除了患病部位，待测图像中还包含复杂的背景，会对计算机后续的判断造成干扰。因此首先采用显著性检测识别出图像中的显著性区域，将这一区域作为后续模型的输入。
本申请上述实施例中，均以番茄为例进行说明，但并不以此为限。本领域技术人员可以根据实际需求改变其他果蔬图片进行训练，测试及识别。
本申请无论对训练图片、测试图片还是未知患病种类的待识别图片所进行的卷积运算过程都是相同的。
本申请还提供一种基于图片识别番茄病害的装置，包括：
特征训练模块，其配置成通过卷积神经网络训练至少一种番茄病害特征，并产生对应的番茄病害特征数据；
存储模块，其配置成将番茄病害特征数据存储至存储器；
识别图片接收模块；其配置成接收被识别图片；
特征提取模块，其配置成通过卷积神经网络提取被识别图片的图片特征；
对比模块，其配置成将图片特征与番茄病害特征数据对比，并输出对比结果。
本申请还提供一种计算机设备，包括存储器、处理器和存储在存储器内并能由处理器运行的计算机程序，其中，处理器执行计算机程序时实现上述的任一项的方法。
请参照图3，本申请还提供一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，计算机程序在由处理器执行时实现上述的任一项的方法。
请参照图4，本申请还提供一种计算机程序产品，包括计算机可读代码，当计算机可读代码由计算机设备执行时，导致计算机设备执行上述的任一项的方法。
在本申请一个实施例中，针对输入的图片尺寸不确定这一特点，采用全卷积网络，并在最后加上全局平均池化层，将一整张特征图全局池化，得到一个输出。本实施例中所述的全局池化层为：
对每个特征图一整张图片进行全局均值池化，这样每张特征图都可以得到一个输出。这样采用均值池化，省去了参数，可以大大减小网络，避免过拟合，另一方面它有一个特点，每张特征图相当于一个输出特征，然后这个特征就表示了输出类的特征。采用全局均值池化层，直接剔除了全连接层中黑箱的特征，并赋予了每个channel(信道)实际的内别意义，其主要的优势：
(1)通过加强特征图与类别的一致性，让卷积结构更简单；
(2)不需要进行参数优化，所以这一层可以避免过拟合；
(3)它对空间信息进行了求和，因而对输入的空间变换更具有稳定性。
在本申请一个实施例中，使用GPU集群存储测试好的算法模型，利用GPU进行输入图像的识别。GPU由上千个流处理器组成，通过大量线程进行同时计算，在数据量很大时能获得可观的加速效果。本系统中使用的算法主要是卷积神经网络，其中的大量的卷积操作可以并行化。为了提高系统的计算速度，这里使用GPU集群作为运算服务器。
本申请的基于图片识别果蔬病害的方法及装置只需要通过上传疑似患病的番茄图片，对图像进行处理，即可输出相应的病害名称或没有患病，改善了传统方法中的图像预处理和人工参与进行特征提取的复杂性，降低了对数据集质量的要求。用户只需提供作物图片即可立刻得知结果。与传统的人工识别相比，解决人工方法效率低、准确率不高的问题，能够及时而精准地检测出番茄病害，与传统的机器训练方法相比较，在准确度和泛化能力上有很大的优势。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(英文：non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(英文：magnetic tape)，软盘(英文：floppy disk)，光盘(英文：optical disc)及其任意组合。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于图片识别果蔬病害的方法，包括如下步骤：
S100：通过卷积神经网络训练至少一种果蔬病害特征，并产生对应的果蔬病害特征数据；
S200：将所述果蔬病害特征数据存储至存储器；
S300：接收被识别图片；
S400：通过所述卷积神经网络提取所述被识别图片的图片特征；及
S500：将所述图片特征与所述果蔬病害特征数据对比，并输出对比结果。
2.根据权利要求1所述的基于图片识别果蔬病害的方法，其特征在于，所述步骤100包括：
S101：接收训练图片；
S102：对所述训练图片进行步长为2，卷积核尺寸为7*7的卷积运算，并输出64张第一图片；
S103：对所述64张第一图片进行步长为2，卷积核尺寸为3*3的最大池化运算，并输出64张第二图片；
S104：对所述64张第二图片进行卷积核尺寸为1*1的卷积运算，并输出64张第三图片；
S105：对所述64张第三图片进行卷积核尺寸为3*3的卷积运算，并输出64张第四图片；
S106：对所述64张第四图片进行卷积核尺寸为1*1的卷积运算，并输出256张第五图片；
S107：在由所述256张第五图片及所述64张第二图片组成的第一图片库中随机选取256张第一随机图片，对所述256张第一随机图片进行卷积核尺寸为1*1的卷积运算，并输出64张第六图片；
S108：对所述64张第六图片进行卷积核尺寸为3*3的卷积运算，并输出64张第七图片；
S109：对所述64张第七图片进行卷积核尺寸为1*1的卷积运算，并输出256张第八图片；
S110：在由所述256张第八图片及所述64张第二图片组成的第二图片库中随机选取256张第二随机图片，对所述256张第二随机图片进行卷积核尺寸为1*1的卷积运算，并输出64张第九图片；
S111：对所述64张第九图片进行卷积核尺寸为3*3的卷积运算，并输出64张第十图片；
S112：对所述64张第十图片进行卷积核尺寸为1*1的卷积运算，并输出256张第十一图片；
S113：在由所述256张第十一图片及所述64张第二图片组成的第三图片库中随机选取256张第三随机图片，对所述256张第三随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第十二图片；
S114：对所述128张第十二图片进行卷积核尺寸为3*3的卷积运算，并输出128张第十三图片；
S115：对所述128张第十三图片进行卷积核尺寸为1*1的卷积运算，并输出512张第十四图片；
S116：在由所述512张第十四图片及所述64张第二图片组成的第四图片库中随机选取512张第四随机图片，对所述512张第四随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第十五图片；
S117：对所述128张第十五图片进行卷积核尺寸为3*3的卷积运算，并输出128张第十六图片；
S118：对所述128张第十六图片进行卷积核尺寸为1*1的卷积运算，并输出512张第十七图片；
S119：在由所述512张第十七图片及所述64张第二图片组成的第五图片库中随机选取512张第五随机图片，对所述512张第五随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第十八图片；
S120：对所述128张第十八图片进行卷积核尺寸为3*3的卷积运算，并输出128张第十九图片；
S121：对所述128张第十九图片进行卷积核尺寸为1*1的卷积运算，并输出512张第二十图片；
S122：在由所述512张第二十图片及所述64张第二图片组成的第六图片库中随机选取512张第六随机图片，对所述512张第六随机图片进行卷积核尺寸为1*1的卷积运算，并输出128张第二十一图片；
S123：对所述128张第二十一图片进行卷积核尺寸为3*3的卷积运算，并输出128张第二十二图片；
S124：对所述128张第二十二图片进行卷积核尺寸为1*1的卷积运算，并输出512张第二十三图片；
S125：在由所述512张第二十三图片及所述64张第二图片组成的第七图片库中随机选取512张第七随机图片，对所述512张第七随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第二十四图片；
S126：对所述256张第二十四图片进行卷积核尺寸为3*3的卷积运算，并输出256张第二十五图片；
S127：对所述256张第二十五图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第二十六图片；
S128：在由所述1024张第二十六图片及所述64张第二图片组成的第八图片库中随机选取1024张第八随机图片，对所述1024张第八随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第二十七图片；
S129：对所述256张第二十七图片进行卷积核尺寸为3*3的卷积运算，并输出256张第二十八图片；
S130：对所述256张第二十八图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第二十九图片；
S131：在由所述1024张第二十九图片及所述64张第二图片组成的第九图片库中随机选取1024张第九随机图片，对所述1024张第九随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第三十图片；
S132：对所述256张第三十图片进行卷积核尺寸为3*3的卷积运算，并输出256张第三十一图片；
S133：对所述256张第三十一图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第三十二图片；
S134：在由所述1024张第三十二图片及所述64张第二图片组成的第十图片库中随机选取1024张第十随机图片，对所述1024张第十随机图片进行卷积核尺寸为1*1的卷积运算，并输出256张第三十三图片；
S135：对所述256张第三十三图片进行卷积核尺寸为3*3的卷积运算，并输出256张第三十四图片；
S136：对所述256张第三十四图片进行卷积核尺寸为1*1的卷积运算，并输出1024张第三十五图片；
S137：在由所述1024张第三十五图片及所述64张第二图片组成的第十一图片库中随机选取1024张第十一随机图片，对所述1024张第十一随机图片进行卷积核尺寸为1*1的卷积运算，并输出512张第三十六图片；
S138：对所述512张第三十六图片进行卷积核尺寸为3*3的卷积运算，并输出512张第三十七图片；
S139：对所述512张第三十七图片进行卷积核尺寸为1*1的卷积运算，并输出2048张第三十八图片；
S140：在由所述2048张第三十八图片及所述64张第二图片组成的第十二图片库中随机选取2048张第十二随机图片，对所述2048张第十二随机图片进行卷积核尺寸为1*1的卷积运算，并输出512张第三十九图片；
S141：对所述512张第三十九图片进行卷积核尺寸为3*3的卷积运算，并输出512张第四十图片；
S142：对所述512张第四十图片进行卷积核尺寸为1*1的卷积运算，并输出2048张第四十一图片；
S143：在由所述2048张第四十一图片及所述64张第二图片组成的第十三图片库中随机选取2048张第十三随机图片，对所述2048张第十三随机图片进行卷积核尺寸为1*1的卷积运算，并输出512张第四十二图片；
S144：对所述512张第四十二图片进行卷积核尺寸为3*3的卷积运算，并输出512张第四十三图片；
S145：对所述512张第四十三图片进行卷积核尺寸为1*1的卷积运算，并输出2048张第四十四图片；
S146：在由所述2048张第四十四图片及所述64张第二图片组成的第十四图片库中随机选取2048张第十四随机图片，对所述2048张第十四随机图片进行卷积核尺寸为1*1的卷积运算，并输出15张第四十五图片；
S147：通过所述第四十五图片产生对应的果蔬病害特征数据。
3.根据权利要求2所述的基于图片识别果蔬病害的方法，其特征在于，所述步骤S101包括：
接收所述训练图片，并将所述训练图片转换成像素为448*448的图片。
4.根据权利要求2所述的基于图片识别果蔬病害的方法，其特征在于，所述第一图片的像素为224*224，所述第二图片至所述第十一图片的像素为112*112，所述第十二图片至所述第二十三图片的像素为56*56，所述第二十四图片至所述第三十五图片的像素为28*28，所述第三十六图片至所述第四十四图片的像素为14*14，所述第四十五图片的像素为1*1。
5.根据权利要求2所述的基于图片识别果蔬病害的方法，其特征在于，所述基于图片识别果蔬病害的方法还包括：
S148：接收测试图片，并对所述测试图片进行在所述步骤101至所述步骤147中对所述训练图片进行的运算，并得到测试结果；
S149：根据所述测试结果通过BP反馈调整所述步骤101至所述步骤147中对所述训练图片进行的运算。
6.根据权利要求3所述的基于图片识别果蔬病害的方法，其特征在于，所述步骤S101包括：
S1011：接收所述训练图片，将所述训练图片转换成像素为448*448的图片；
S1012：识别所述训练图片的显著性区域。
7.一种基于图片识别果蔬病害的装置，包括：
特征训练模块，其配置成通过卷积神经网络训练至少一种果蔬病害特征，并产生对应的果蔬病害特征数据；
存储模块，其配置成将所述果蔬病害特征数据存储至存储器；
识别图片接收模块；其配置成接收被识别图片；
特征提取模块，其配置成通过所述卷积神经网络提取所述被识别图片的图片特征；
对比模块，其配置成将所述图片特征与所述果蔬病害特征数据对比，并输出对比结果。
8.一种计算机设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如权利要求1-6中任一项所述的方法。
10.一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由计算机设备执行时，导致所述计算机设备执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810183240.8A CN108596201A (zh) | 2018-03-06 | 2018-03-06 | 一种基于图片识别果蔬病害的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810183240.8A CN108596201A (zh) | 2018-03-06 | 2018-03-06 | 一种基于图片识别果蔬病害的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108596201A true CN108596201A (zh) | 2018-09-28 |
Family
ID=63625658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810183240.8A Pending CN108596201A (zh) | 2018-03-06 | 2018-03-06 | 一种基于图片识别果蔬病害的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596201A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784891A (zh) * | 2021-01-14 | 2021-05-11 | 深圳信息职业技术学院 | 人工神经网络的番茄病状情况分类方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682704A (zh) * | 2017-01-20 | 2017-05-17 | 中国科学院合肥物质科学研究院 | 一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法 |
-
2018
- 2018-03-06 CN CN201810183240.8A patent/CN108596201A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682704A (zh) * | 2017-01-20 | 2017-05-17 | 中国科学院合肥物质科学研究院 | 一种基于融合上下文信息的混合卷积神经网络的病害图像识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| KAIMING HE, ET AL.: "Deep Residual Learning for Image Recognition", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| 张善文 等: "卷积神经网络在黄瓜叶部病害识别中的应用", 《江苏农业学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784891A (zh) * | 2021-01-14 | 2021-05-11 | 深圳信息职业技术学院 | 人工神经网络的番茄病状情况分类方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Detection and severity analysis of tea leaf blight based on deep learning | |
| Xie et al. | A deep-learning-based real-time detector for grape leaf diseases using improved convolutional neural networks | |
| CN107016406A (zh) | 基于生成式对抗网络的病虫害图像生成方法 | |
| CN104217216B (zh) | 生成检测模型的方法和设备、用于检测目标的方法和设备 | |
| Basri et al. | Faster R-CNN implementation method for multi-fruit detection using tensorflow platform | |
| Lee et al. | Plant Identification System based on a Convolutional Neural Network for the LifeClef 2016 Plant Classification Task. | |
| CN110033015A (zh) | 一种基于残差网络的植物病害检测方法 | |
| CN109271374A (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
| US20230260326A1 (en) | Dance segment recognition method, dance segment recognition apparatus, and storage medium | |
| CN109376663A (zh) | 一种人体姿态识别方法及相关装置 | |
| CN106650795B (zh) | 酒店房型图像的排序方法 | |
| Chen et al. | Citrus fruits maturity detection in natural environments based on convolutional neural networks and visual saliency map | |
| CN108615229B (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
| Dimililer et al. | Application of back propagation neural networks on maize plant detection | |
| CN108805151A (zh) | 一种基于深度相似性网络的图像分类方法 | |
| Gonçalves et al. | Carcass image segmentation using CNN-based methods | |
| CN108596017A (zh) | 一种基于图片识别果蔬病害的方法及装置 | |
| WO2022183805A1 (zh) | 视频分类方法、装置及设备 | |
| Qu et al. | A lightweight network for mummy berry disease recognition | |
| CN111626296A (zh) | 基于深度神经网络的医学图像分割系统及方法、终端 | |
| Suo et al. | Casm-amfmnet: A network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases | |
| Rahman et al. | Deepgrip: cricket bowling delivery detection with superior cnn architectures | |
| CN108596201A (zh) | 一种基于图片识别果蔬病害的方法及装置 | |
| Adityawan et al. | Butterflies Recognition using Enhanced Transfer Learning and Data Augmentation | |
| Ibrahim et al. | Palm leaf nutrient deficiency detection using convolutional neural network (CNN) |
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: 20180928 |