CN112001370A - 一种农作物病虫害识别方法及系统 - Google Patents
一种农作物病虫害识别方法及系统 Download PDFInfo
- Publication number
- CN112001370A CN112001370A CN202011052751.XA CN202011052751A CN112001370A CN 112001370 A CN112001370 A CN 112001370A CN 202011052751 A CN202011052751 A CN 202011052751A CN 112001370 A CN112001370 A CN 112001370A
- Authority
- CN
- China
- Prior art keywords
- pest
- disease
- crop
- image
- historical
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 369
- 201000010099 disease Diseases 0.000 title claims abstract description 185
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000238631 Hexapoda Species 0.000 claims abstract description 36
- 244000068988 Glycine max Species 0.000 claims description 12
- 235000010469 Glycine max Nutrition 0.000 claims description 12
- 241000209094 Oryza Species 0.000 claims description 12
- 235000007164 Oryza sativa Nutrition 0.000 claims description 12
- 241000209140 Triticum Species 0.000 claims description 12
- 235000021307 Triticum Nutrition 0.000 claims description 12
- 240000008042 Zea mays Species 0.000 claims description 12
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 12
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 12
- 235000005822 corn Nutrition 0.000 claims description 12
- 235000009566 rice Nutrition 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010039509 Scab Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种农作物病虫害识别方法及系统。该识别方法包括:获取农作物历史病虫害图像;根据所述农作物历史病虫害图像按照农作物类别划分为多种病虫害训练数据集;针对每一种所述病虫害训练数据集,以所述农作物历史病虫害图像为输入,以病虫害类别为输出,训练残差网络模型,确定每一种病害虫识别模型;获取待识别病虫害图像,并确定所述待识别病虫害图像的农作物类别;根据所述农作物对应的病虫害识别模型识别所述待识别病虫害图像的病虫害类别。采用本发明所提供的识别方法及系统能够提高病虫害类别的识别效率。
Description
技术领域
本发明涉及农作物病虫害识别领域,特别是涉及一种农作物病虫害识别方法及系统。
背景技术
农作物病虫害的识别一直是农业生产过程中的难题,病虫害的种类繁多,且不同病虫害的处理措施不同,使得病虫害的识别一直是农民生产过程中的急迫解决的问题。
传统的病害图像识别方法与机器学习方法:在农作物病害图像的识别之前对病害图像进行预处理、病斑分割和特征提取等预处理步骤,大大增加了识别时间;并且对于不同的病害图像这个过程往往采用方法不同,无法对多种农作物不同的病虫害图像进行识别,降低了识别效率。
发明内容
本发明的目的是提供一种农作物病虫害识别方法及系统,以解决传统的病害图像识别的方法识别时间久,识别效率低的问题。
为实现上述目的,本发明提供了如下方案:
一种农作物病虫害识别方法,包括:
获取农作物历史病虫害图像;
根据所述农作物历史病虫害图像按照农作物类别划分为多种病虫害训练数据集;所述农作物类别包括水稻、小麦、玉米以及大豆;
针对每一种所述病虫害训练数据集,以所述农作物历史病虫害图像为输入,以病虫害类别为输出,训练残差网络模型,确定每一种病害虫识别模型;所述病害虫识别模型包括水稻病害虫识别模型、小麦病害虫识别模型、玉米病害虫识别模型以及大豆病害虫识别模型;
获取待识别病虫害图像,并确定所述待识别病虫害图像的农作物类别;
根据所述农作物对应的病虫害识别模型识别所述待识别病虫害图像的病虫害类别。
可选的,所述根据所述农作物历史病虫害图像按照农作物类别划分为多种病虫害训练数据集,具体包括:
对所述农作物历史病虫害图像进行清洗处理,并标注所述农作物历史病虫害图像所对应的农作物类别;
根据标注后的农作物类别将所有所述农作物历史病虫害图像中病虫害数据划分为不同种类的病虫害训练数据集。
可选的,所述针对每一种所述病虫害训练数据集,以所述农作物历史病虫害图像为输入,以病虫害类别为输出,训练残差网络模型,确定每一种病害虫识别模型,具体包括:
对所述残差网络模型初始化处理,确定初始化后的残差网络模型;
获取任一种所述农作物历史病虫害图像中的病虫害图像数据,并对所述病虫害图像数据进行数据增强,确定增强后的病虫害图像数据;
将所述增强后的病虫害图像数据输入至所述初始化后的残差网络模型,输出病虫害类别;
对比输出的病虫害类别以及所述农作物历史病虫害图像所对应的病虫害类别,确定损失误差;
根据所述损失误差确定损失函数,并基于所述损失函数,利用误差反向传播算法对所述初始化后的残差网络模型的网络参数进行更新,确定更新后的残差网络模型;
根据所述更新后的残差网络模型确定任一种病害虫识别模型。
可选的,所述根据所述农作物对应的病虫害识别模型识别所述待识别病虫害图像的病虫害类别,之后还包括:
获取所述病害虫类别的置信度;
若所述置信度低于置信度阈值,将所述待识别病虫害图像上传至待定病虫害库,由农业专家识别所述待定病虫害库内的待识别病虫害图像,以确定病虫害类别;
将由专家识别出的病虫害类别以及所述专家识别出的病虫害类别对应的待识别病虫害图像作为农作物历史病虫害图像。
一种农作物病虫害识别系统,包括:
农作物历史病虫害图像获取模块,用于获取农作物历史病虫害图像;
病虫害训练数据集划分模块,用于根据所述农作物历史病虫害图像按照农作物类别划分为多种病虫害训练数据集;所述农作物类别包括水稻、小麦、玉米以及大豆;
病害虫识别模型确定模块,用于针对每一种所述病虫害训练数据集,以所述农作物历史病虫害图像为输入,以病虫害类别为输出,训练残差网络模型,确定每一种病害虫识别模型;所述病害虫识别模型包括水稻病害虫识别模型、小麦病害虫识别模型、玉米病害虫识别模型以及大豆病害虫识别模型;
农作物类别确定模块,用于获取待识别病虫害图像,并确定所述待识别病虫害图像的农作物类别;
病虫害类别识别模块,用于根据所述农作物对应的病虫害识别模型识别所述待识别病虫害图像的病虫害类别。
可选的,所述病虫害训练数据集划分模块,具体包括:
标注单元,用于对所述农作物历史病虫害图像进行清洗处理,并标注所述农作物历史病虫害图像所对应的农作物类别;
病虫害训练数据集划分单元,用于根据标注后的农作物类别将所有所述农作物历史病虫害图像中病虫害数据划分为不同种类的病虫害训练数据集。
可选的,所述病害虫识别模型确定模块,具体包括:
初始化单元,用于对所述残差网络模型初始化处理,确定初始化后的残差网络模型;
病虫害图像数据增强单元,用于获取任一种所述农作物历史病虫害图像中的病虫害图像数据,并对所述病虫害图像数据进行数据增强,确定增强后的病虫害图像数据;
病虫害类别输出单元,用于将所述增强后的病虫害图像数据输入至所述初始化后的残差网络模型,输出病虫害类别;
损失误差确定单元,用于对比输出的病虫害类别以及所述农作物历史病虫害图像所对应的病虫害类别,确定损失误差;
更新单元,用于根据所述损失误差确定损失函数,并基于所述损失函数,利用误差反向传播算法对所述初始化后的残差网络模型的网络参数进行更新,确定更新后的残差网络模型;
病害虫识别模型确定单元,用于根据所述更新后的残差网络模型确定任一种病害虫识别模型。
可选的,还包括:
置信度获取模块,用于获取所述病害虫类别的置信度;
专家识别模块,用于若所述置信度低于置信度阈值,将所述待识别病虫害图像上传至待定病虫害库,由农业专家识别所述待定病虫害库内的待识别病虫害图像,以确定病虫害类别;
农作物历史病虫害图像更新模块,用于将由专家识别出的病虫害类别以及所述专家识别出的病虫害类别对应的待识别病虫害图像作为农作物历史病虫害图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种农作物病虫害识别方法及系统,前期省去了大量图像预处理过程,基于大量的历史病虫害图像,按照农作物类别同时训练多种残差网络模型,每一种农作物对应一种残差网络模型,从而基于待识别病虫害图像的农作物种类,利用到该农作物种类对应的残差网络模型即可直接识别出待识别病虫害图像的病虫害种类,在缩短了识别时间同时提高了识别准确率以及模型的泛化性能,能够对多种农作物不同的病虫害图像进行识别,与传统的识别方法相比,本发明的病虫害识别模型鲁棒性更强,对于外界环境条件要求不高,更适合应用到实际的生产生活中。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的农作物病虫害识别方法流程图;
图2为本发明所提供的病虫害识别模型学习流程图;
图3为本发明所提供的病虫害识别模型训练迭代流程图;
图4为本发明所提供的手机App识别病虫害类别界面图;
图5为本发明所提供的在实际应用中农作物病虫害识别方法流程图;
图6为本发明所提供的农作物病虫害识别系统结构图。
具体实施方式
下面将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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种农作物病虫害识别方法及系统,能够降低识别时间以及提高识别效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的农作物病虫害识别方法流程图,如图1所示,一种农作物病虫害识别方法,包括:
步骤101:获取农作物历史病虫害图像。
步骤102:根据所述农作物历史病虫害图像按照农作物类别划分为多种病虫害训练数据集;所述农作物类别包括水稻、小麦、玉米以及大豆等。
所述步骤102具体包括:对所述农作物历史病虫害图像进行清洗处理,并标注所述农作物历史病虫害图像所对应的农作物类别;根据标注后的农作物类别将所有所述农作物历史病虫害图像中病虫害数据划分为不同种类的病虫害训练数据集。
步骤103:针对每一种所述病虫害训练数据集,以所述农作物历史病虫害图像为输入,以病虫害类别为输出,训练残差网络模型,确定每一种病害虫识别模型;所述病害虫识别模型包括水稻病害虫识别模型、小麦病害虫识别模型、玉米病害虫识别模型以及大豆病害虫识别模型。
如图2-3所示,所述步骤103具体包括:对所述残差网络模型初始化处理,确定初始化后的残差网络模型;获取任一种所述农作物历史病虫害图像中的病虫害图像数据,并对所述病虫害图像数据进行数据增强,确定增强后的病虫害图像数据;将所述增强后的病虫害图像数据输入至所述初始化后的残差网络模型,输出病虫害类别;对比输出的病虫害类别以及所述农作物历史病虫害图像所对应的病虫害类别,确定损失误差;根据所述损失误差确定损失函数,并基于所述损失函数,利用误差反向传播算法对所述初始化后的残差网络模型的网络参数进行更新,确定更新后的残差网络模型;根据所述更新后的残差网络模型确定任一种病害虫识别模型。
其中,误差反向传播对网络的每个权重求偏导计算梯度乘以学习率进行更新;在验证集上进行识别得到该模型的正确率。
步骤104:获取待识别病虫害图像,并确定所述待识别病虫害图像的农作物类别。
步骤105:根据所述农作物对应的病虫害识别模型识别所述待识别病虫害图像的病虫害类别。
所述步骤105之后还包括:获取所述病害虫类别的置信度;若所述置信度低于置信度阈值,将所述待识别病虫害图像上传至待定病虫害库,由农业专家识别所述待定病虫害库内的待识别病虫害图像,以确定病虫害类别;将由专家识别出的病虫害类别以及所述专家识别出的病虫害类别对应的待识别病虫害图像作为农作物历史病虫害图像。
在实际应用中,如图4所示,利用手机App对病虫害特征图拍照;调用云服务远程识别病虫害;输出病虫害分类结果;查看防治方案;对识别失败图片可在线咨询专家;专家答疑后样本入库,更新残差网络模型。
总体方法步骤如图5所示,收集作物各种病虫害的图片数据;根据图片数据质量进行数据清理,去除病虫害特征不清晰、图片清晰度较差、背景占比太大等低质量图片,并按不同作物类型、不同病虫害类型整理归类图片数据,并做好图片标注;通过数据清理和标注后的图片,形成不同作物的病虫害训练数据集;每一种作物分别选择resnet50(残差神经网络)模型进行深度学习训练,形成不同作物类型的病虫害识别模型;用户选择作物类别并上传已获取的病虫害图片;根据作物类别调用对应类别作物病虫害识别模型进行识别,并给出识别的病虫害类别和置信度。对于不能识别(或置信度低)的用户上传数据,则发送至“待定病虫害”库中,再邀请农学专家对病虫害类型进行判断,判断后的图像返回到“训练集”中,当做历史样本对识别程序进行再进化学习以提高识别成功率。
图6为本发明所提供的农作物病虫害识别系统结构图,如图6所示,一种农作物病虫害识别系统,包括:
农作物历史病虫害图像获取模块601,用于获取农作物历史病虫害图像。
病虫害训练数据集划分模块602,用于根据所述农作物历史病虫害图像按照农作物类别划分为多种病虫害训练数据集;所述农作物类别包括水稻、小麦、玉米以及大豆。
所述病虫害训练数据集划分模块602具体包括:标注单元,用于对所述农作物历史病虫害图像进行清洗处理,并标注所述农作物历史病虫害图像所对应的农作物类别;病虫害训练数据集划分单元,用于根据标注后的农作物类别将所有所述农作物历史病虫害图像中病虫害数据划分为不同种类的病虫害训练数据集。
病害虫识别模型确定模块603,用于针对每一种所述病虫害训练数据集,以所述农作物历史病虫害图像为输入,以病虫害类别为输出,训练残差网络模型,确定每一种病害虫识别模型;所述病害虫识别模型包括水稻病害虫识别模型、小麦病害虫识别模型、玉米病害虫识别模型以及大豆病害虫识别模型。
所述病害虫识别模型确定模块603具体包括:初始化单元,用于对所述残差网络模型初始化处理,确定初始化后的残差网络模型;病虫害图像数据增强单元,用于获取任一种所述农作物历史病虫害图像中的病虫害图像数据,并对所述病虫害图像数据进行数据增强,确定增强后的病虫害图像数据;病虫害类别输出单元,用于将所述增强后的病虫害图像数据输入至所述初始化后的残差网络模型,输出病虫害类别;损失误差确定单元,用于对比输出的病虫害类别以及所述农作物历史病虫害图像所对应的病虫害类别,确定损失误差;更新单元,用于根据所述损失误差确定损失函数,并基于所述损失函数,利用误差反向传播算法对所述初始化后的残差网络模型的网络参数进行更新,确定更新后的残差网络模型;病害虫识别模型确定单元,用于根据所述更新后的残差网络模型确定任一种病害虫识别模型。
农作物类别确定模块604,用于获取待识别病虫害图像,并确定所述待识别病虫害图像的农作物类别。
病虫害类别识别模块605,用于根据所述农作物对应的病虫害识别模型识别所述待识别病虫害图像的病虫害类别。
本发明还包括:置信度获取模块,用于获取所述病害虫类别的置信度;专家识别模块,用于若所述置信度低于置信度阈值,将所述待识别病虫害图像上传至待定病虫害库,由农业专家识别所述待定病虫害库内的待识别病虫害图像,以确定病虫害类别;农作物历史病虫害图像更新模块,用于将由专家识别出的病虫害类别以及所述专家识别出的病虫害类别对应的待识别病虫害图像作为农作物历史病虫害图像。
采用本发明所提供的农作物病虫害识别方法及系统能够提高病虫害类别识别效率,降低识别时长。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种农作物病虫害识别方法,其特征在于,包括:
获取农作物历史病虫害图像;
根据所述农作物历史病虫害图像按照农作物类别划分为多种病虫害训练数据集;所述农作物类别包括水稻、小麦、玉米以及大豆;
针对每一种所述病虫害训练数据集,以所述农作物历史病虫害图像为输入,以病虫害类别为输出,训练残差网络模型,确定每一种病害虫识别模型;所述病害虫识别模型包括水稻病害虫识别模型、小麦病害虫识别模型、玉米病害虫识别模型以及大豆病害虫识别模型;
获取待识别病虫害图像,并确定所述待识别病虫害图像的农作物类别;
根据所述农作物对应的病虫害识别模型识别所述待识别病虫害图像的病虫害类别。
2.根据权利要求1所述的农作物病虫害识别方法,其特征在于,所述根据所述农作物历史病虫害图像按照农作物类别划分为多种病虫害训练数据集,具体包括:
对所述农作物历史病虫害图像进行清洗处理,并标注所述农作物历史病虫害图像所对应的农作物类别;
根据标注后的农作物类别将所有所述农作物历史病虫害图像中病虫害数据划分为不同种类的病虫害训练数据集。
3.根据权利要求1所述的农作物病虫害识别方法,其特征在于,所述针对每一种所述病虫害训练数据集,以所述农作物历史病虫害图像为输入,以病虫害类别为输出,训练残差网络模型,确定每一种病害虫识别模型,具体包括:
对所述残差网络模型初始化处理,确定初始化后的残差网络模型;
获取任一种所述农作物历史病虫害图像中的病虫害图像数据,并对所述病虫害图像数据进行数据增强,确定增强后的病虫害图像数据;
将所述增强后的病虫害图像数据输入至所述初始化后的残差网络模型,输出病虫害类别;
对比输出的病虫害类别以及所述农作物历史病虫害图像所对应的病虫害类别,确定损失误差;
根据所述损失误差确定损失函数,并基于所述损失函数,利用误差反向传播算法对所述初始化后的残差网络模型的网络参数进行更新,确定更新后的残差网络模型;
根据所述更新后的残差网络模型确定任一种病害虫识别模型。
4.根据权利要求1所述的农作物病虫害识别方法,其特征在于,所述根据所述农作物对应的病虫害识别模型识别所述待识别病虫害图像的病虫害类别,之后还包括:
获取所述病害虫类别的置信度;
若所述置信度低于置信度阈值,将所述待识别病虫害图像上传至待定病虫害库,由农业专家识别所述待定病虫害库内的待识别病虫害图像,以确定病虫害类别;
将由专家识别出的病虫害类别以及所述专家识别出的病虫害类别对应的待识别病虫害图像作为农作物历史病虫害图像。
5.一种农作物病虫害识别系统,其特征在于,包括:
农作物历史病虫害图像获取模块,用于获取农作物历史病虫害图像;
病虫害训练数据集划分模块,用于根据所述农作物历史病虫害图像按照农作物类别划分为多种病虫害训练数据集;所述农作物类别包括水稻、小麦、玉米以及大豆;
病害虫识别模型确定模块,用于针对每一种所述病虫害训练数据集,以所述农作物历史病虫害图像为输入,以病虫害类别为输出,训练残差网络模型,确定每一种病害虫识别模型;所述病害虫识别模型包括水稻病害虫识别模型、小麦病害虫识别模型、玉米病害虫识别模型以及大豆病害虫识别模型;
农作物类别确定模块,用于获取待识别病虫害图像,并确定所述待识别病虫害图像的农作物类别;
病虫害类别识别模块,用于根据所述农作物对应的病虫害识别模型识别所述待识别病虫害图像的病虫害类别。
6.根据权利要求5所述的农作物病虫害识别系统,其特征在于,所述病虫害训练数据集划分模块,具体包括:
标注单元,用于对所述农作物历史病虫害图像进行清洗处理,并标注所述农作物历史病虫害图像所对应的农作物类别;
病虫害训练数据集划分单元,用于根据标注后的农作物类别将所有所述农作物历史病虫害图像中病虫害数据划分为不同种类的病虫害训练数据集。
7.根据权利要求5所述的农作物病虫害识别系统,其特征在于,所述病害虫识别模型确定模块,具体包括:
初始化单元,用于对所述残差网络模型初始化处理,确定初始化后的残差网络模型;
病虫害图像数据增强单元,用于获取任一种所述农作物历史病虫害图像中的病虫害图像数据,并对所述病虫害图像数据进行数据增强,确定增强后的病虫害图像数据;
病虫害类别输出单元,用于将所述增强后的病虫害图像数据输入至所述初始化后的残差网络模型,输出病虫害类别;
损失误差确定单元,用于对比输出的病虫害类别以及所述农作物历史病虫害图像所对应的病虫害类别,确定损失误差;
更新单元,用于根据所述损失误差确定损失函数,并基于所述损失函数,利用误差反向传播算法对所述初始化后的残差网络模型的网络参数进行更新,确定更新后的残差网络模型;
病害虫识别模型确定单元,用于根据所述更新后的残差网络模型确定任一种病害虫识别模型。
8.根据权利要求5所述的农作物病虫害识别系统,其特征在于,还包括:
置信度获取模块,用于获取所述病害虫类别的置信度;
专家识别模块,用于若所述置信度低于置信度阈值,将所述待识别病虫害图像上传至待定病虫害库,由农业专家识别所述待定病虫害库内的待识别病虫害图像,以确定病虫害类别;
农作物历史病虫害图像更新模块,用于将由专家识别出的病虫害类别以及所述专家识别出的病虫害类别对应的待识别病虫害图像作为农作物历史病虫害图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011052751.XA CN112001370A (zh) | 2020-09-29 | 2020-09-29 | 一种农作物病虫害识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011052751.XA CN112001370A (zh) | 2020-09-29 | 2020-09-29 | 一种农作物病虫害识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001370A true CN112001370A (zh) | 2020-11-27 |
Family
ID=73475680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011052751.XA Pending CN112001370A (zh) | 2020-09-29 | 2020-09-29 | 一种农作物病虫害识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001370A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580591A (zh) * | 2020-12-29 | 2021-03-30 | 江苏农林职业技术学院 | 一种农作物病虫害分析系统 |
CN112907061A (zh) * | 2021-02-08 | 2021-06-04 | 山东省农业科学院科技信息研究所 | 马铃薯全产业链管理系统 |
CN113705419A (zh) * | 2021-08-24 | 2021-11-26 | 上海劲牛信息技术有限公司 | 农作物病虫草害识别处理方法、装置、电子设备及存储介质 |
CN113705875A (zh) * | 2021-08-19 | 2021-11-26 | 大气候物联网科技(广州)有限公司 | 一种农作物病虫害预警方法、系统、装置及存储介质 |
CN114092457A (zh) * | 2021-11-26 | 2022-02-25 | 黑龙江省农业科学院 | 一种用于农作物病虫害检测的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921814A (zh) * | 2018-05-16 | 2018-11-30 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 |
CN109636791A (zh) * | 2018-12-13 | 2019-04-16 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病检测方法、装置及系统 |
CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
US20200134392A1 (en) * | 2018-10-24 | 2020-04-30 | The Climate Corporation | Detection of plant diseases with multi-stage, multi-scale deep learning |
CN111353545A (zh) * | 2020-03-09 | 2020-06-30 | 大连理工大学 | 一种基于稀疏网络迁移的植株病虫害识别方法 |
-
2020
- 2020-09-29 CN CN202011052751.XA patent/CN112001370A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921814A (zh) * | 2018-05-16 | 2018-11-30 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病在线快速检测系统及方法 |
US20200134392A1 (en) * | 2018-10-24 | 2020-04-30 | The Climate Corporation | Detection of plant diseases with multi-stage, multi-scale deep learning |
CN109636791A (zh) * | 2018-12-13 | 2019-04-16 | 华南农业大学 | 一种基于深度学习的柑橘黄龙病检测方法、装置及系统 |
CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
CN111353545A (zh) * | 2020-03-09 | 2020-06-30 | 大连理工大学 | 一种基于稀疏网络迁移的植株病虫害识别方法 |
Non-Patent Citations (2)
Title |
---|
WEI-JIAN HU等: "MDFC-ResNet: An Agricultural IoT System to Accurately Recognize Crop Diseases", 《IEEE ACCESS》, vol. 8, pages 115287 - 115298, XP011796282, DOI: 10.1109/ACCESS.2020.3001237 * |
方晨晨等: "基于改进深度残差网络的番茄病害图像识别", 《计算机应用》, vol. 40, no. 1, pages 203 - 208 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580591A (zh) * | 2020-12-29 | 2021-03-30 | 江苏农林职业技术学院 | 一种农作物病虫害分析系统 |
CN112907061A (zh) * | 2021-02-08 | 2021-06-04 | 山东省农业科学院科技信息研究所 | 马铃薯全产业链管理系统 |
CN113705875A (zh) * | 2021-08-19 | 2021-11-26 | 大气候物联网科技(广州)有限公司 | 一种农作物病虫害预警方法、系统、装置及存储介质 |
CN113705419A (zh) * | 2021-08-24 | 2021-11-26 | 上海劲牛信息技术有限公司 | 农作物病虫草害识别处理方法、装置、电子设备及存储介质 |
CN114092457A (zh) * | 2021-11-26 | 2022-02-25 | 黑龙江省农业科学院 | 一种用于农作物病虫害检测的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001370A (zh) | 一种农作物病虫害识别方法及系统 | |
WO2022033150A1 (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112232476B (zh) | 更新测试样本集的方法及装置 | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN111178120B (zh) | 一种基于作物识别级联技术的害虫图像检测方法 | |
CN109344883A (zh) | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 | |
CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及系统 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN107092926A (zh) | 基于深度学习的服务机器人物体识别算法 | |
CN111611889B (zh) | 基于改进卷积神经网络的农田微型虫害识别装置 | |
CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
CN109102885B (zh) | 基于卷积神经网络与随机森林组合的白内障自动分级方法 | |
CN109101891A (zh) | 一种融合人工智能的水稻病虫害检测系统及其检测方法 | |
CN111161265A (zh) | 一种动物计数、图像处理方法和装置 | |
CN112686862A (zh) | 害虫识别记数方法、系统、装置及可读存储介质 | |
CN111797760A (zh) | 基于Retinanet改进的农作物病虫害识别方法 | |
CN111291799A (zh) | 房间窗户分类模型构建方法、房间窗户分类方法及系统 | |
CN111401343B (zh) | 识别图像中人的属性的方法、识别模型的训练方法和装置 | |
CN117115614B (zh) | 户外影像的对象识别方法、装置、设备及存储介质 | |
CN114724032A (zh) | 一种基于深度学习的杂粮作物病虫害检测方法 | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN111539350A (zh) | 一种农作物病虫害智能识别的方法 | |
CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
CN109828623B (zh) | 温室作物情景感知的生产管理方法及装置 |
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 |
Application publication date: 20201127 |
|
RJ01 | Rejection of invention patent application after publication |