CN111080524A - 基于深度学习的植物病虫害识别方法 - Google Patents

基于深度学习的植物病虫害识别方法 Download PDF

Info

Publication number
CN111080524A
CN111080524A CN201911314361.2A CN201911314361A CN111080524A CN 111080524 A CN111080524 A CN 111080524A CN 201911314361 A CN201911314361 A CN 201911314361A CN 111080524 A CN111080524 A CN 111080524A
Authority
CN
China
Prior art keywords
plant disease
insect pest
deep learning
image
plant
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
CN201911314361.2A
Other languages
English (en)
Inventor
徐兴梅
刘远
周晶
陈谦
王硕
王宁
于孝铂
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.)
Jilin Agricultural University
Original Assignee
Jilin Agricultural 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 Jilin Agricultural University filed Critical Jilin Agricultural University
Priority to CN201911314361.2A priority Critical patent/CN111080524A/zh
Publication of CN111080524A publication Critical patent/CN111080524A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

基于深度学习的植物病虫害识别方法
技术领域
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％。
发明内容
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：
Figure RE-GDA0002373860000000031
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：
Figure RE-GDA0002373860000000041
Δφ1(x，y)和Δφ2(x，y)的表达式如下所示：
Figure RE-GDA0002373860000000042
Figure RE-GDA0002373860000000043
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：
Figure RE-GDA0002373860000000061
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：
Figure RE-GDA0002373860000000071
Δφ1(x，y)和Δφ2(x，y)的表达式如下所示：
Figure RE-GDA0002373860000000072
Figure RE-GDA0002373860000000073
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。

Claims (10)

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：
Figure FDA0002325425650000011
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：
Figure FDA0002325425650000031
Δφ1(x，y)和Δφ2(x，y)的表达式如下所示：
Figure FDA0002325425650000032
Figure FDA0002325425650000033
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。
CN201911314361.2A 2019-12-19 2019-12-19 基于深度学习的植物病虫害识别方法 Pending CN111080524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911314361.2A CN111080524A (zh) 2019-12-19 2019-12-19 基于深度学习的植物病虫害识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911314361.2A CN111080524A (zh) 2019-12-19 2019-12-19 基于深度学习的植物病虫害识别方法

Publications (1)

Publication Number Publication Date
CN111080524A true CN111080524A (zh) 2020-04-28

Family

ID=70315582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911314361.2A Pending CN111080524A (zh) 2019-12-19 2019-12-19 基于深度学习的植物病虫害识别方法

Country Status (1)

Country Link
CN (1) CN111080524A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598181A (zh) * 2020-05-21 2020-08-28 中国热带农业科学院热带生物技术研究所 一种香蕉花叶心腐病app识别方法及系统
CN112052904A (zh) * 2020-09-09 2020-12-08 陕西理工大学 一种基于迁移学习和卷积神经网络病虫害的识别方法
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
CN113657294A (zh) * 2021-08-19 2021-11-16 中化现代农业有限公司 一种基于计算机视觉的作物病虫害检测方法及系统
CN113763304A (zh) * 2020-05-19 2021-12-07 中移(成都)信息通信科技有限公司 农作物病虫害识别方法、装置、设备及介质

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697167A (zh) * 2009-10-30 2010-04-21 邱建林 基于聚类-决策树的玉米良种选育方法
CN102831187A (zh) * 2012-08-02 2012-12-19 成都众合云盛科技有限公司 基于内容的图像检索系统
CN103177261A (zh) * 2013-03-06 2013-06-26 北方民族大学 一种基于图像识别技术的奶牛产奶量自动计量系统及其图像识别方法
CN103310427A (zh) * 2013-06-24 2013-09-18 中国科学院长春光学精密机械与物理研究所 图像超分辨率与像质增强方法
CN103500344A (zh) * 2013-09-02 2014-01-08 中国测绘科学研究院 一种遥感影像信息提取与解译方法及其模块
CN105095884A (zh) * 2015-08-31 2015-11-25 桂林电子科技大学 一种基于随机森林支持向量机的行人识别系统及处理方法
CN106971160A (zh) * 2017-03-23 2017-07-21 西京学院 基于深度卷积神经网络和病害图像的冬枣病害识别方法
CN107506770A (zh) * 2017-08-17 2017-12-22 湖州师范学院 糖尿病视网膜病变眼底照相标准图像生成方法
CN107563389A (zh) * 2017-09-11 2018-01-09 合肥工业大学 一种基于深度学习的农作物病害识别方法
CN107945125A (zh) * 2017-11-17 2018-04-20 福州大学 一种融合频谱估计法和卷积神经网络的模糊图像处理方法
CN108399648A (zh) * 2017-11-21 2018-08-14 北京裕恒佳科技有限公司 对血管进行三维成像的方法以及血管三维成像系统
CN108830302A (zh) * 2018-05-28 2018-11-16 苏州大学 一种图像分类方法、训练方法、分类预测方法及相关装置
CN109886086A (zh) * 2019-01-04 2019-06-14 南京邮电大学 基于hog特征和线性svm级联分类器的行人检测方法
CN109919239A (zh) * 2019-03-15 2019-06-21 尹显东 一种基于深度学习的农作物病虫害智能检测方法
CN109993218A (zh) * 2019-03-20 2019-07-09 中南大学 一种基于卷积神经网络的玉米病害的识别和分类模型
CN110084205A (zh) * 2019-04-30 2019-08-02 合肥工业大学 一种基于改进的面向对象高分辨率遥感影像分类方法
CN110148120A (zh) * 2019-05-09 2019-08-20 四川省农业科学院农业信息与农村经济研究所 一种基于cnn与迁移学习的病害智能识别方法及系统
CN110363347A (zh) * 2019-07-12 2019-10-22 江苏天长环保科技有限公司 基于决策树索引的神经网络预测空气质量的方法
CN110457982A (zh) * 2018-12-28 2019-11-15 中国科学院合肥物质科学研究院 一种基于特征迁移学习的作物病害图像识别方法
CN110472784A (zh) * 2019-08-08 2019-11-19 黑龙江农垦垦通信息通信有限公司 一种基于人工智能的病虫害预报与诊断系统及方法
CN110490802A (zh) * 2019-08-06 2019-11-22 北京观微科技有限公司 一种基于超分辨率的卫星影像飞机目标型号识别方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697167A (zh) * 2009-10-30 2010-04-21 邱建林 基于聚类-决策树的玉米良种选育方法
CN102831187A (zh) * 2012-08-02 2012-12-19 成都众合云盛科技有限公司 基于内容的图像检索系统
CN103177261A (zh) * 2013-03-06 2013-06-26 北方民族大学 一种基于图像识别技术的奶牛产奶量自动计量系统及其图像识别方法
CN103310427A (zh) * 2013-06-24 2013-09-18 中国科学院长春光学精密机械与物理研究所 图像超分辨率与像质增强方法
CN103500344A (zh) * 2013-09-02 2014-01-08 中国测绘科学研究院 一种遥感影像信息提取与解译方法及其模块
CN105095884A (zh) * 2015-08-31 2015-11-25 桂林电子科技大学 一种基于随机森林支持向量机的行人识别系统及处理方法
CN106971160A (zh) * 2017-03-23 2017-07-21 西京学院 基于深度卷积神经网络和病害图像的冬枣病害识别方法
CN107506770A (zh) * 2017-08-17 2017-12-22 湖州师范学院 糖尿病视网膜病变眼底照相标准图像生成方法
CN107563389A (zh) * 2017-09-11 2018-01-09 合肥工业大学 一种基于深度学习的农作物病害识别方法
CN107945125A (zh) * 2017-11-17 2018-04-20 福州大学 一种融合频谱估计法和卷积神经网络的模糊图像处理方法
CN108399648A (zh) * 2017-11-21 2018-08-14 北京裕恒佳科技有限公司 对血管进行三维成像的方法以及血管三维成像系统
CN108830302A (zh) * 2018-05-28 2018-11-16 苏州大学 一种图像分类方法、训练方法、分类预测方法及相关装置
CN110457982A (zh) * 2018-12-28 2019-11-15 中国科学院合肥物质科学研究院 一种基于特征迁移学习的作物病害图像识别方法
CN109886086A (zh) * 2019-01-04 2019-06-14 南京邮电大学 基于hog特征和线性svm级联分类器的行人检测方法
CN109919239A (zh) * 2019-03-15 2019-06-21 尹显东 一种基于深度学习的农作物病虫害智能检测方法
CN109993218A (zh) * 2019-03-20 2019-07-09 中南大学 一种基于卷积神经网络的玉米病害的识别和分类模型
CN110084205A (zh) * 2019-04-30 2019-08-02 合肥工业大学 一种基于改进的面向对象高分辨率遥感影像分类方法
CN110148120A (zh) * 2019-05-09 2019-08-20 四川省农业科学院农业信息与农村经济研究所 一种基于cnn与迁移学习的病害智能识别方法及系统
CN110363347A (zh) * 2019-07-12 2019-10-22 江苏天长环保科技有限公司 基于决策树索引的神经网络预测空气质量的方法
CN110490802A (zh) * 2019-08-06 2019-11-22 北京观微科技有限公司 一种基于超分辨率的卫星影像飞机目标型号识别方法
CN110472784A (zh) * 2019-08-08 2019-11-19 黑龙江农垦垦通信息通信有限公司 一种基于人工智能的病虫害预报与诊断系统及方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763304A (zh) * 2020-05-19 2021-12-07 中移(成都)信息通信科技有限公司 农作物病虫害识别方法、装置、设备及介质
CN113763304B (zh) * 2020-05-19 2024-01-30 中移(成都)信息通信科技有限公司 农作物病虫害识别方法、装置、设备及介质
CN111598181A (zh) * 2020-05-21 2020-08-28 中国热带农业科学院热带生物技术研究所 一种香蕉花叶心腐病app识别方法及系统
CN112052904A (zh) * 2020-09-09 2020-12-08 陕西理工大学 一种基于迁移学习和卷积神经网络病虫害的识别方法
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
CN113657294A (zh) * 2021-08-19 2021-11-16 中化现代农业有限公司 一种基于计算机视觉的作物病虫害检测方法及系统

Similar Documents

Publication Publication Date Title
CN111080524A (zh) 基于深度学习的植物病虫害识别方法
Darwin et al. Recognition of bloom/yield in crop images using deep learning models for smart agriculture: A review
Batool et al. Classification and identification of tomato leaf disease using deep neural network
CN109086826B (zh) 基于图像深度学习的小麦干旱识别方法
JP5626056B2 (ja) 農作物画像処理プログラム、農作物画像処理方法及び農作物画像処理装置
CN109583301A (zh) 一种农作物生长过程最优外部种植条件预测方法及装置
Gulavnai et al. Deep learning for image based mango leaf disease detection
Selvi et al. Weed detection in agricultural fields using deep learning process
CN110827273A (zh) 一种基于区域卷积神经网络的茶叶病害检测方法
Veeragandham et al. Effectiveness of convolutional layers in pre-trained models for classifying common weeds in groundnut and corn crops
Djimeli-Tsajio et al. Improved detection and identification approach in tomato leaf disease using transformation and combination of transfer learning features
Vijayakanthan et al. Classification of vegetable plant pests using deep transfer learning
Thangaraj et al. Automatic recognition of avocado fruit diseases using modified deep convolutional neural network
Meena et al. Detection of Varieties of Diseases in Rice Plants using Deep Learning Techniques
Zhang et al. YOLO-VOLO-LS: a novel method for variety identification of early lettuce seedlings
De Silva et al. Plant disease detection using deep learning on natural environment images
Kalpana et al. Diagnosis of major foliar diseases in black gram (vigna mungo l.) using convolution neural network (cnn)
Manavalan Cucumber leaves diseases detection through computational approaches: A review
Wu et al. Application of EfficientNetV2 and YoloV5 for tomato leaf disease identification
Yong et al. Research on recognition method of common corn diseases based on computer vision
Kavitha et al. Deep Learning Framework for Identification of Leaf Diseases in Native Plants of Tamil Nadu Geographical Region
Babu et al. Prediction and Analysis of Plant-Leaf Disease in Agricultural by using Image Processing and Machine Learning Techniques
Dixit et al. Approaches to identify paddy plant diseases using deep learning: A review
Datt et al. Phenological stage recognition model for apple crops using transfer learning
Qingchun et al. Multi-band image fusion method for visually identifying tomato plant’s organs with similar color

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