CN109993218A - 一种基于卷积神经网络的玉米病害的识别和分类模型 - Google Patents

Abstract

本发明为一种基于卷积神经网络的玉米病害识别和分类模型，属于图像处理和深度学习领域。目前我国在农业生产中，人们一般通过专家现场检测人为评估的方式进行病害的判断识别，但这种检测方式往往费时费力，滞后性强，因此迫切需要先进的科学技术实现农业病害检测的智能化和自动化。本发明提出的基于卷积神经网络模型，它通过在经典的AlexNet模型的基础上结合其它优秀的网络模型进行改进，通过对预处理后的玉米病害图像数据集进行训练，运用训练后的病害识别网络模型，对测试图片集进行验证，通过对比实验，表明利用此模型可以实现玉米病害高效准确的识别，对农业病害监测有巨大的现实意义和价值。

Description

一种基于卷积神经网络的玉米病害的识别和分类模型

技术领域

本发明为一种基于卷积神经网络的玉米病害识别和分类模型，属于图像处理和深度学习领域。

背景技术

农作物病害识别最初是通过专家去现场进行监测，一般是通过一些经验进行判断，但往往这个过程繁琐，并且依赖经验主观性强，过程费时费力并且一般在发现问题的时候，作物病害的感染已经比较严重，不仅达不到农业提倡的“预防为主，治理为辅”的目的，并且在发现问题的时候，往往已经造成了经济损失，因此，在农业上面迫切需要先进的科学技术的指导，从而实现农业智能化。

目前我国在针对农作物病害进行识别检测系统的发展比较缓慢，随着计算机的迅速发展，在图像方面的发展越来越成熟，同时近几年兴起的机器学习和深度学习，得到了很大的推广，并且深度学习的应用越来越广泛，在图像方面的应用也越来越多，通过计算机实现玉米病害的自动化识别检测成为可能，利用深度学习的研究技术实现图像识别从而达到玉米病害的自动化检测成为农业自动化的一种发展趋势。出现了许多经典的卷积神经网络模型。经典的卷积神经网络模型AlexNet，虽然在2012年取得较好的成绩，但是随着科技的发展以及社会需求的增加，该模型还有很大的提升空间，于是我们在建立玉米病害图片数据库的基础上，通过对玉米病害进行预处理后，将经典的卷积神经网络模型进行改进，从而对玉米病害图像进行识别和分类，该模型在对玉米病害检测的基础上提高了玉米病害识别的精度和速度。

发明内容

本发明基于卷积神经网络，该模型具体流程如下：

①采集玉米病害数据集，通过一些专门的农作物网站和网络爬虫的方式进行玉米病害图片数据集的采集，由于深度学习需要强大的数据量的支持，因而将采集到的玉米病害数据集进行数据扩充，最后将所有收集到的图片构成玉米病害的数据集。

②运用数字图像处理技术，由于采集到的图像数据集包含大量复杂背景和光照不均匀等噪声，原始的图像要经过一定的图像预处理才能更有效的进行玉米病害的检测。

③基于经典的卷积神经网络模型AlexNet模型，在图像识别上显示了强大的优势，由于科学和技术的发展，早期的AlexNet模型在性能上还有很大的提升空间，并且不断涌现了许多其他经典的网络模型，因此我们在原始的AlexNet模型的基础上结合其他经典的卷积神经网络模型的优势，对AlexNet模型进行改进，进一步提高模型的识别精度和速度。

④在改进的AlexNet模型的基础上，我们用玉米病害数据集的训练集对改进后的模型进行实验，通过输入玉米病害样本对模型进行训练，在实验中对网络模型进行参数微调，实现模型的最佳参数。

⑤输入玉米病害测试集对训练后的网络模型进行测试，用来验证改进后模型的优势，通过对比现有的网络模型的识别精度和速度，从而得出结论。

具体实施方式

为使本发明的目的、内容和优点更加清楚，下面结合附图对本发明具体实施步骤作进一步详细的说明。

本发明构建了基于卷积神经网络的玉米病害的识别和分类模型，通过构建卷积神经网络模型，在经典的AlexNet模型的基础上，对模型进一步改进，解决了我国目前利用人工检测方法，费时费力，主观依赖性，具有滞后性的弊端，同时通过改进国外的经典卷积神经网络模型，对病害识别模型的精度和速度进行进一步提升。具体而言，本发明包含以下步骤：

Step₁:建立玉米病害图片数据集

将从农作物网站及网络上采集到的玉米病害数据集进行数据扩充，按以下方式进行数据扩充，扩充后的数据集构建起玉米病害的图像库。以下是通过图像平移的方式进行图像扩充：

x₁＝x₀+d_x y₁＝y₀+d_y

其中，(x₀,y₀)是图像原始的位置坐标，d_x,d_y为平移距离，(x₁,x₂)为平移后图像的坐标。

Step₂:玉米病害图像预处理

原始的玉米病害图像数据集，存在大量的背景干扰信息，为了对玉米病害进行更好地识别，需要在输入到卷积神经网络模型前对图像进行预处理，先对图像进行图像去噪。

g(x,y)＝med{f(x-k,y-l),(k,l∈W)}

其中f(x,y),g(x,y)分别为原始图像和输出图像；在图像去噪后，对图像进行图像分割，公式如下：

g＝ω₀*ω₁*(μ₀-μ₁)*(μ-μ₀)

其中，μ₀为分开后前景像素点的平均灰度，μ₁分开后背景像素的平均灰度，μ＝ω₀*μ₀+ω₁*μ₁，ω₀为前景像素点数占图像的比例，ω₁为背景像素点数占图像的比例。

最后，对图像进行归一化处理，完成玉米病害图像数据的预处理过程。

Step₃:建立卷积神经网络模型

通过对卷积神经网络模型AlexNet模型进行改进，通过对卷积神经网络的卷积层和全连接层进行改进，在原先的模型上通过减小卷积核的大小和步幅的大小，同时增加低层卷积层的深度，更多的引入非线性，增加低层特征表达，全连接层设置为2个以及一个输出层，以下为全连接层的前向计算公式：

y＝W^Tx+b

全连接层中的神经元与前一层中的所有激活都有完全连接，它们的激活可以通过矩阵乘法和便宜来计算Softmax回归分类模型一般是最后一层，全连接中重要的后向计算用来计算神经元的误差公式如下：

其中，为该层神经元，y∈R^m*1代表输出，x∈R^n*1代表其输入，W∈R^n*m代表其权值，b为偏置项。

Step₄:训练网络模型

对改进后网络模型进行训练，通过将图片数据集中的训练集输入到改进后的卷积神经网络的模型中，微调卷积神经网络的各参数，通过调整参数实现网络模型参数的最佳状态。

Step₅:计算玉米病害识别精度和速度

通过输入玉米病害数据集中中的玉米病害测试集图片到改进后的卷积神经网络模型中，然后通过对玉米病害识别准确率和速度进行计算和统计。其中，计算玉米病害准确率如下公式计算：

其中，y₁是本模型正确识别某种玉米病害的图片数量，y₂是本模型正确识别非某种玉米病害的图片数量。y是图片数据集总数，通过计算不同模型的识别精度，对不同模型的识别精度进行对比得出结论。

此外灵敏度即，召回率也是衡量玉米病害识别能力的一种手段，当一个模型的灵敏度越高，对玉米病害的识别能力也相对较好。

其中，y₁为该模型正确识别某种病害的图片数量，y₀为某种玉米病害图片数量总数。通过灵敏度计算可以衡量该模型对玉米病害的识别能力的强弱。

附图说明

图1本发明的基于卷积神经网络的玉米病害识别模型实现步骤图。

Claims (4)

1.基于卷积神经网络的玉米病害系统识别分类模型，针对传统农业病害检测识别中存在的效率低，依赖经验主观性强，过程费时费力，滞后性强的问题，针对传统玉米病害识别模型存在的识别精度低，识别速度慢的问题，基于卷积神经网络模型AlexNet进行玉米病害的识别分类，检测玉米病害情况并将玉米病害进行精确分类。

2.根据权利要求1所述的方法，需要构建玉米病害图片数据集，对玉米病害图片进行预处理以及构建基于卷积神经网络的玉米病害识别网络。

3.根据权利要求1所述的方法以及2构建的玉米病害识别模型，计算模型对玉米病害的识别精度和速度。

4.根据权利要求3所检测的玉米病害情况，对玉米病害进行分类，对测试数据集的玉米病害进行分类识别。