CN112699941A - 植物病害严重程度图像分类方法、装置、计算机设备和存储介质 - Google Patents

植物病害严重程度图像分类方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112699941A
CN112699941A CN202011626598.7A CN202011626598A CN112699941A CN 112699941 A CN112699941 A CN 112699941A CN 202011626598 A CN202011626598 A CN 202011626598A CN 112699941 A CN112699941 A CN 112699941A
Authority
CN
China
Prior art keywords
image
plant
plant disease
disease severity
module
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.)
Granted
Application number
CN202011626598.7A
Other languages
English (en)
Other versions
CN112699941B (zh
Inventor
赵芸
陈家贵
徐兴
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.)
Zhejiang Lover Health Science and Technology Development Co Ltd
Original Assignee
Zhejiang Lover Health Science and Technology Development Co Ltd
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 Zhejiang Lover Health Science and Technology Development Co Ltd filed Critical Zhejiang Lover Health Science and Technology Development Co Ltd
Priority to CN202011626598.7A priority Critical patent/CN112699941B/zh
Publication of CN112699941A publication Critical patent/CN112699941A/zh
Application granted granted Critical
Publication of CN112699941B publication Critical patent/CN112699941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

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

Abstract

本申请涉及一种植物病害严重程度图像分类方法、装置、计算机设备和存储介质，所述植物病害严重程度图像分类方法包括：获取待分类的植物图像，所述植物图像包括植物像素和背景像素；对所述植物图像进行增广；采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。本申请通过对图像进行预处理，将得到的数据集进行增广，再把图像输入到嵌有注意力模块的卷积神经网络中后对提取特征进行病害严重程度识别，该方案相比于现有技术，能够提高提取特征时的精确度，具有较好的泛化能力和鲁棒性。

Description

植物病害严重程度图像分类方法、装置、计算机设备和存储 介质
技术领域
本发明涉及一种植物图像处理方法，尤其涉及一种植物病害严重程度图像分类方法、装置、计算机设备和存储介质。
背景技术
传统的植物病害鉴定主要依靠农业专家的目测诊断，但这种方式人工评价成本高、效率低，植物病虫害不能得到及时的诊断和治疗。目前随着计算机图像识别技术的快速发展，使用算法模型可以大大提高植物病虫害的识别效率。
其中算法模型可以分为传统的机器学习算法和深度学习算法。机器学习算法依靠人工对植物病害图像进行分类提取特征，所以算法的性能由特征提取的程度决定，对于识别植物单种病害严重程度较小的差异，该类方法精度较低，普适性较差。
发明内容
本发明提供了一种植物病害严重程度图像分类方法、装置、计算机设备和存储介质，解决了现有技术中依靠人工提取特征时精确度较低，普适性较差的问题。
植物病害严重程度图像分类方法，包括：
获取待分类的植物图像，所述植物图像包括植物像素和背景像素；
对所述植物图像进行增广；
采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。
可选的，所述植物病害图像通过实验室环境拍摄所得。
可选的，所述卷积神经网络预先采用样本进行训练，所述样本集包括植物病害图像以及健康植物图像，其中植物病害图像依据病害严重程度分为多个等级。
可选的，卷积神经网络的构建方法包括：
采用迁移学习的方式构建残差网络ResNet50的主干网络；
将注意力模块嵌入到所述主干网络的Bottleneck中得到所述卷积神经网络；
其中所述注意力模块包括通道域注意力模块和空间域注意力模块。
可选的，所述通道域注意力模块用于关注植物病害图像中的特征，所述通道域注意力模块的通道注意力计算公式为：
Figure BDA0002879349690000021
其中，CA表示通道注意力；F表示植物病害特征图；经过通道域注意力模块处理后的特征图表示为FC；σ表示sigmoid函数；
Figure BDA0002879349690000022
和
Figure BDA0002879349690000023
表示卷积操作，其中上标为卷积核的大小；BN表示批量归一化操作；
空间域注意力模块：用于关注植物病害图像中的特征位置信息，
计算公式为：SA＝2×σ(BN(f3×3(AvgPool(FC))))；
其中，SA表示空间注意力；σ表示sigmoid函数；f3×3表示卷积操作，其中上标为卷积核的大小；BN表示批量归一化操作。
可选的，残差模块在卷积神经网络的四个区域连接。
可选的，所述迁移学习的预训练模型来自ImageNet。
可选的，所述的卷积神经网络包括94层卷积层，40层池化层，32层批量归一化层，1层全连接层，1层Softmax层；所述Softmax层的每一类都对应一个植物病害严重程度。
可选的，所述卷积神经网络预先采用样本进行训练时，通过正向传播和反向传播优化所述损失函数，训练得到相应的卷积神经网络参数。
可选的，每次送入网络中的图像数量为16张。
优选的，所述的迁移学习是通过利用ImageNet数据集训练获得ResNet50的权重参数。
优选的，所述的主干网络来自ResNet50，注意力模块的嵌入方式为串行与残差模块级联。
优选的，所述Softmax函数公式如下：
Figure BDA0002879349690000031
Zi为神经网络第i个节点的输出值，Zc为神经网络第C个节点的输出值。其中，C为输出节点的个数，也就是植物病害分类的类别数。
通过Softmax函数将植物病害严重程度的概率输出值满足[0，1]的分布。
可选的，所述训练使用多分类交叉熵损失函数。
优选的，使用Adam优化器计算每个时期的损失函数的梯度，然后更新参数。Adam是一种有效的随机优化方法，只需要一阶梯度和少量内存。该方法通过估计梯度的第一和第二力矩来计算不同参数的适应性学习速率。Adam优化器参数更新规则如下：
Figure BDA0002879349690000032
其中，Xt为第t轮的参数，Xt-1为第t-1轮的参数；η表示学习率；
Figure BDA0002879349690000033
表示校正后的第一力矩的偏差，
Figure BDA0002879349690000034
表示修改后第二力矩的偏差；ε表示为保持数值稳定性而添加的常数。
优选的，所述批量归一化层将神经网络每一层中任意神经元的输入值分布变换为平均值为0，方差为1的标准正态分布。批量归一层公式定义如下：
Figure BDA0002879349690000035
其中y表示批量归一层；m和s分别表示批次x的平均值和方差；
Figure BDA0002879349690000036
β表示可学习的参数，用来对变换后的激活反变换，增强了网络表达能力；ε通常设置为较小的数字，防止分母变为零。
本申请还提供如下技术方案：
植物病害严重程度图像分类装置，包括：
第一模块，用于获取待分类的植物图像，所述植物图像包括植物像素和背景像素；
第二模块，用于对所述植物图像进行增广；
第三模块，用于采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。
本申请还提供如下技术方案：
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待分类的植物图像，所述植物图像包括植物像素和背景像素；
对所述植物图像进行增广；
采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。
本申请还提供如下技术方案：
获取待分类的植物图像，所述植物图像包括植物像素和背景像素；
对所述植物图像进行增广；
采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。
本申请提供的一种植物病害严重程度图像分类方法、装置、计算机设备和存储介质，通过在网络中引入注意力模块，过滤了干扰信息对病害严重图像分类准确率的影响。注意力模块保护了预训练模型参数所蕴含的参数信息，实现了高准确度的端到端的学习，具有优良的泛化能力和鲁棒性。且该方法模型参数量较少，可以轻松地将模型移植到可移动设备上。
附图说明
图1为待分类植物病害严重程度的示意图；
图2为植物病害严重程度图像分类方法的流程示意图；
图3为对植物病害图像进行增广的示意图；
图4为注意力模块网络的示意图；
图5为标准残差网络模块的示意图；
图6为注意力模块嵌入残差块中的示意图；
图7为本申请在多种植物病害(45类)数据集下与其他网络模型精度的对比图；
图8为本申请在番茄植物病害(16类)数据集下与其他网络模型精度的对比图；
图9为单张图片输入本申请网络模型后可视化的结果图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，能够将数据量庞大的图像识别问题不断降维，最终使其能够被训练。
卷积神经网络包括池化层、全连接层、卷积层、激活层、批量归一化层。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。卷积神经网络通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务。
如图1所示，为植物病害严重程度的示意图，该数据集图像通过实验室拍摄所得。
图1中的图像病害严重程度差异较大，可较好地进行分类，但对于植物单种病害严重程度较小的差异，采用传统方法和经典原始网络模型均不能较好地进行分类。
为了更好地区分植物病害严重程度的差异，如图2所示，植物病害严重程度图像分类方法，包括以下步骤：
步骤S100，获取待分类的植物图像，所述植物图像包括植物像素和背景像素；
步骤S200，对所述植物图像进行增广；
步骤S300，采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。
本申请植物病害严重程度图像分类方法，采用嵌有注意力模块的卷积神经网络对植物病害严重程度识别分类，能够提高提取特征时的精确度，具有良好的泛化能力和鲁棒性。
在一实施例中，卷积神经网络预先采用样本进行训练，样本集包括植物病害图像以及健康植物图像，其中植物病害图像依据病害严重程度分为多个等级。
在一实施例中，卷积神经网络包括94层卷积层，40层池化层，32层批量归一化层，1层全连接层，1层Softmax层；所述Softmax层的每一类都对应一个植物病害严重程度。
在一实施例中，卷积神经网络预先采用样本进行训练时，使用多分类交叉熵损失函数，并结合Adam优化器得到相应的卷积神经网络参数。
在一实施例中，使用两种不同的数据集作为研究对象，一种是9种植物包含健康种类的45类，共计35621张病害严重程度图像数据集。另外一种是仅仅包含番茄植物叶片的16类共计14235张病害严重程度图像数据集。
在本申请中，为了让较小的数据集在较深的网络模型中具有更好的泛化能力，所以对数据集的图像进行了增广，如图3所示，包括增加对比度、高斯噪声和上下翻转形成植物病害图像样本数据。
在一实施例中，为了更好地对植物病害图像进行提取特征，如图4所示，本申请提出了一种包含通道域和空间域的注意力模块，其中通道注意力模块是用于关注植物病害图像中最具代表性意义的特征(植物病害的病斑)。
为了获取通道域的注意力机制，首先采用全局平均池化层对特征图的空间信息进行压缩，卷积网络中任意一张植物病害特征图F∈RC×H×W(W为宽度，H为高度，C为通道数)，通过窗口大小为H×W的池化层后，会将每个通道的二维空间特征(高度和宽度)压缩为一个实数，得到了一维的池化特征图Favg∈RC×1×1。再经过两个大小为1×1的卷积层，减少网络的参数量和计算开销，并且能够学习到每个通道之间更多的非线性关系。
本申请在激活前添加了BN层控制整个通道的输出。最后通过Sigmoid激活函数得到通道权重向量实现通道域的注意力机制CA，计算公式如下：
Figure BDA0002879349690000071
其中，F表示植物病害特征图；经过通道域注意力模块处理后的特征图表示为FC；σ表示sigmoid函数；
Figure BDA0002879349690000072
和
Figure BDA0002879349690000073
为卷积操作，其中上标为卷积核的大小；BN表示批量归一化操作。
为了进一步确定网络模型定位植物病害的病斑位置信息，在通过通道域注意力模块后增加了空间域注意力模块，其中空间域注意力模块学习特征图的空间之间的关系，关注植物病害图像中重要位置的特征(植物病害的病斑位置)。
空间域注意力模块首先将沿通道轴的3D特征图使用全局平均池化层压缩至2D池化特征图
Figure BDA0002879349690000074
再将此特征图送入大小为3×3的卷积层进行卷积计算，并添加了与通道域注意力模块相同的BN层，通过BN层后使用Sigmoid激活得到了空间域注意力特征向量，计算公式如下：
SA＝2×σ(BN(f3×3(AvgPool(FC))))
其中，SA表示空间注意力；σ表示sigmoid函数；f3×3为卷积操作，其中上标为卷积核的大小；BN表示批量归一化操作。
在一实施例中，标准的残差块如图5所示，将上述注意力模块以串行连接的方式嵌入到ResNet50的残差块中，得到如图6所示包含注意力机制的残差块。
在一实施例中，神经网络模型训练过程分为三个阶段：
第一阶段，使用了迁移学习技术搭建预训练的ResNet50网络。其中预训练模型是在ImageNet数据集上进行训练获得，能使较深的神经网络在小规模数据集上加快收敛速度，提高精度；
第二阶段，将提出的注意力机制嵌入到ResNet50的Bottleneck中。进行训练时，训练新加入注意力模块和全连接层，并且每10个Epoch的学习率降低到上一个阶段的的0.1，具体的训练参数如表1所示：
表1
Figure BDA0002879349690000081
第三阶段，进行微调。训练时将ResNet50的第四个区域的残差模块和全连接层的梯度全部打开。
多种植物病害严重程度分类时，将图像数据集按照“二八”原则进行分类，将80％的图像作为训练网络的训练集，剩余20％的图像作为网络的测试集。其中，对于单种植物(番茄)也做了同样的处理。
为了体现模型的科学性，对于45类病害严重程度，本申请对比了其它注意力网络在此数据集上的结果，具体如图7所示。本申请提出的注意力模块在测试集上达到了97.59％的正确率，相较于其他注意力模块有明显的提升；单种植物(番茄)的16类病害严重程度，其实验结果如图8所示，本申请在测试集上达到了95.37％的分类准确率，相较于CBAM增加了3.12％，相较于SE-Net增加了3.66％。
以上预测结果使用Top-1正确率作为模型分类评价指标。
示例性的，在本申请中，采用Grad-CAM可视化技术对模型效果进行了进一步的定性分析。测试结果如图9所示，植物病害严重程度图像分类方法、装置、计算机设备和存储介质可以显著性的定位植物病害的具体病斑位置，使模型学习更多有用的特征，提高了分类精度。
在一个实施例中，植物病害严重程度图像分类装置，包括：
第一模块，用于获取待分类的植物图像，所述植物图像包括植物像素和背景像素；
第二模块，用于对所述植物图像进行增广；
第三模块，用于采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。
关于植物病害严重程度图像分类装置的具体限定可以参见上文中对于植物病害严重程度图像分类方法的限定，在此不再赘述。上述植物病害严重程度图像分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种植物病害严重程度图像分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待分类的植物图像，所述植物图像包括植物像素和背景像素；
对所述植物图像进行增广；
采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分类的植物图像，所述植物图像包括植物像素和背景像素；
对所述植物图像进行增广；
采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时，可视为该附图也同时披露了所涉及的各个实施例的组合例。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.植物病害严重程度图像分类方法，其特征在于，包括：
获取待分类的植物图像，所述植物图像包括植物像素和背景像素；
对所述植物图像进行增广；
采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。
2.如权利要求1所述的植物病害严重程度图像分类方法，其特征在于，所述卷积神经网络预先采用样本进行训练，样本集包括植物病害图像以及健康植物图像，其中植物病害图像依据病害严重程度分为多个等级。
3.如权利要求1所述的植物病害严重程度图像分类方法，其特征在于，
卷积神经网络的构建方法包括：
采用迁移学习的方式构建残差网络ResNet50的主干网络；
将注意力模块嵌入到所述主干网络的Bottleneck中得到所述卷积神经网络；
其中所述注意力模块包括通道域注意力模块和空间域注意力模块。
4.如权利要求3所述的植物病害严重程度图像分类方法，其特征在于，所述通道域注意力模块用于关注植物病害图像中的特征，所述通道域注意力模块的通道注意力计算公式为：
Figure FDA0002879349680000011
其中，CA表示通道注意力；F表示植物病害特征图；经过通道域注意力模块处理后的特征图表示为FC；σ表示sigmoid函数；
Figure FDA0002879349680000012
和
Figure FDA0002879349680000013
表示卷积操作，其中上标为卷积核的大小；BN表示批量归一化操作；
空间域注意力模块：用于关注植物病害图像中的特征位置信息，
计算公式为：SA＝2×σ(BN(f3×3(AvgPool(FC))))；
其中，SA表示空间注意力；σ表示sigmoid函数；f3×3表示卷积操作，其中上标为卷积核的大小；BN表示批量归一化操作。
5.权利要求1所述的植物病害严重程度图像分类方法，其特征在于，所述的卷积神经网络包括94层卷积层，40层池化层，32层批量归一化层，1层全连接层，1层Softmax层；所述Softmax层的每一类都对应一个植物病害严重程度。
6.如权利要求2所述的植物病害严重程度图像分类方法，其特征在于，所述卷积神经网络预先采用样本进行训练时，使用多分类交叉熵损失函数，并结合Adam优化器得到相应的卷积神经网络参数。
7.植物病害严重程度图像分类装置，包括：
第一模块，用于获取待分类的植物图像，所述植物图像包括植物像素和背景像素；
第二模块，用于对所述植物图像进行增广；
第三模块，用于采用卷积神经网络对增广后的植物图像进行识别，得到植物病害图像、以及各植物病害图像的病害严重程度等级。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202011626598.7A 2020-12-31 2020-12-31 植物病害严重程度图像分类方法、装置、设备和存储介质 Active CN112699941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011626598.7A CN112699941B (zh) 2020-12-31 2020-12-31 植物病害严重程度图像分类方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011626598.7A CN112699941B (zh) 2020-12-31 2020-12-31 植物病害严重程度图像分类方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112699941A true CN112699941A (zh) 2021-04-23
CN112699941B CN112699941B (zh) 2023-02-14

Family

ID=75513320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011626598.7A Active CN112699941B (zh) 2020-12-31 2020-12-31 植物病害严重程度图像分类方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112699941B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902735A (zh) * 2021-09-13 2022-01-07 云南春芯科技有限公司 作物病害识别方法、装置、电子设备及存储介质
CN114998693A (zh) * 2022-08-05 2022-09-02 成都明途科技有限公司 农作物病害识别方法、装置、电子设备及存储介质
CN115294555A (zh) * 2022-09-27 2022-11-04 江苏景瑞农业科技发展有限公司 基于神经网络的植物病害智能诊断方法及系统
CN116468671A (zh) * 2023-03-21 2023-07-21 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859167A (zh) * 2018-12-28 2019-06-07 中国农业大学 黄瓜霜霉病严重度的评估方法及装置
US20200012895A1 (en) * 2018-07-03 2020-01-09 General Electric Company Classification and localization based on annotation information
CN111369540A (zh) * 2020-03-06 2020-07-03 西安电子科技大学 基于掩码卷积神经网络的植物叶片病害识别方法
CN111401177A (zh) * 2020-03-09 2020-07-10 山东大学 基于自适应时空注意力机制的端到端行为识别方法及系统
CN111553240A (zh) * 2020-04-24 2020-08-18 四川省农业科学院农业信息与农村经济研究所 一种玉米病害病情分级方法、系统和计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200012895A1 (en) * 2018-07-03 2020-01-09 General Electric Company Classification and localization based on annotation information
CN109859167A (zh) * 2018-12-28 2019-06-07 中国农业大学 黄瓜霜霉病严重度的评估方法及装置
CN111369540A (zh) * 2020-03-06 2020-07-03 西安电子科技大学 基于掩码卷积神经网络的植物叶片病害识别方法
CN111401177A (zh) * 2020-03-09 2020-07-10 山东大学 基于自适应时空注意力机制的端到端行为识别方法及系统
CN111553240A (zh) * 2020-04-24 2020-08-18 四川省农业科学院农业信息与农村经济研究所 一种玉米病害病情分级方法、系统和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龙吟等: "基于深度卷积神经网络的农作物病害识别", 《武汉轻工大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902735A (zh) * 2021-09-13 2022-01-07 云南春芯科技有限公司 作物病害识别方法、装置、电子设备及存储介质
CN114998693A (zh) * 2022-08-05 2022-09-02 成都明途科技有限公司 农作物病害识别方法、装置、电子设备及存储介质
CN115294555A (zh) * 2022-09-27 2022-11-04 江苏景瑞农业科技发展有限公司 基于神经网络的植物病害智能诊断方法及系统
CN116468671A (zh) * 2023-03-21 2023-07-21 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质
CN116468671B (zh) * 2023-03-21 2024-04-16 中化现代农业有限公司 植物病害程度检测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN112699941B (zh) 2023-02-14

Similar Documents

Publication Publication Date Title
CN112699941B (zh) 植物病害严重程度图像分类方法、装置、设备和存储介质
CN109241903B (zh) 样本数据清洗方法、装置、计算机设备及存储介质
Springenberg et al. Improving deep neural networks with probabilistic maxout units
CN110619059B (zh) 一种基于迁移学习的建筑物标定方法
US20230048405A1 (en) Neural network optimization method and apparatus
CN110838108A (zh) 基于医疗图像的预测模型构建方法、预测方法及装置
CN112308825B (zh) 一种基于SqueezeNet的农作物叶片病害识别方法
CN113159067A (zh) 一种基于多粒度局部特征软关联聚合的细粒度图像辨识方法及装置
Haque et al. Image-based identification of maydis leaf blight disease of maize (Zea mays) using deep learning
CN113066528B (zh) 基于主动半监督图神经网络的蛋白质分类方法
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
Dubey et al. An efficient adaptive feature selection with deep learning model-based paddy plant leaf disease classification
Muthukannan et al. A GA_FFNN algorithm applied for classification in diseased plant leaf system
Özden Apple leaf disease detection and classification based on transfer learning
Olawuyi et al. Plant diseases detection and classification using deep transfer learning
CN116129189A (zh) 一种植物病害识别方法、设备、存储介质及装置
CN115565115A (zh) 一种舾装件智能识别方法、计算机设备
Kalyani et al. Remembrance of Monocotyledons Using Residual Networks
CN113076823A (zh) 一种年龄预测模型的训练方法、年龄预测方法及相关装置
Swaney et al. Efficient skin segmentation via neural networks: HP-ELM and BD-SOM
Girdher et al. Detecting and Estimating Severity of Leaf Spot Disease in Golden Pothos using Hybrid Deep Learning Approach
CN115565051B (zh) 轻量级人脸属性识别模型训练方法、识别方法及设备
CN116777947B (zh) 一种用户轨迹识别预测方法、装置及电子设备
CN117637029B (zh) 基于深度学习模型的抗体可开发性预测方法和装置
Anandan et al. Prediction Of Soil Texture Using Convolution Neural Network with Enhanced Regression Model

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
GR01 Patent grant
GR01 Patent grant