CN114140403A - 一种基于卷积神经网络的植物叶片病害检测方法 - Google Patents
一种基于卷积神经网络的植物叶片病害检测方法 Download PDFInfo
- Publication number
- CN114140403A CN114140403A CN202111370336.3A CN202111370336A CN114140403A CN 114140403 A CN114140403 A CN 114140403A CN 202111370336 A CN202111370336 A CN 202111370336A CN 114140403 A CN114140403 A CN 114140403A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- plant leaf
- disease detection
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明提供一种基于卷积神经网络的植物叶片病害检测方法,包括以下步骤:建立植物叶片病害检测数据集;从数据集的图像全部样本中选取训练集和测试集;将训练集中疾病的类别和数量进行统计分析;对图像进行数据增强处理;使用卷积神经网络作为深度学习模型,使用训练集对卷积神经网络深度学习模型进行训练,通过训练后得到的卷积神经网络深度学习模型对测试集进行检测,直到达到预设的准确率,得到通过测试的卷积神经网络深度学习模型;采用通过测试的卷积神经网络深度学习模型植物叶片进行检测,得到植物叶片病害检测结果,本发明利用卷积神经网络对植物叶片表面病害有无的判断和病害具体类型的确定,能对植物的生长状态进行自动监测。
Description
技术领域
本发明属于图像识别技术领域,具体涉及是一种基于卷积神经网络的植物叶片病害检测方法。
背景技术
植物在人类生产、生活乃至生存中起着至关重要的作用。然而,由于人类生产和生活的不断扩大,人类过度狩猎和采集行为,许多工厂的污染,以及大规模土地植被的发展,极大地改变了自然生态系统,使得植物的环境适应性降低,自我调节失调,导致植物病害。
植物病害主要是由生物因素(生物病原体)和非生物因素(不适宜的生活环境)引起的,使得植物生长异常,可导致植物在一定时期内死亡。长期患病可导致植物物种灭绝或感染其他物种灭绝。这种效应往往能直观地反映在植物的叶片和根部,使患病植物的叶片和根茎病态。有针对性地治疗和疾病植物的保护尤为重要。
传统的植物叶片病害检测主要通过人工观察判断完成,在诊断过程中由于叶片病害区域表现出的特征具有相似性,使得诊断过程费时费力,费用昂贵,且由于人的主观性可能导致出现误检现象。
发明内容
本发明旨在至少在一定程度上解决上述技术问题之一。本发明公开了一种基于卷积神经网络的植物叶片病害检测方法,在实时的农业场景下获取植物叶片健康状态和发生病虫害的图像建立植物叶片疾病检测数据集,对不同疾病的植物叶片进行多角度、不同天气、不同光照下进行多种类别的图像数据采集;本发明利用卷积神经网络对植物叶片表面病害有无的判断和病害具体类型的确定,能对植物的生长状态进行自动监测,同时本发明利用基于卷积神经网络的深度学习模型,来提高病害检测的准确率。
本发明的技术方案是:一种基于卷积神经网络的植物叶片病害检测方法,包括以下步骤:
步骤S1、获取植物叶片图像,建立植物叶片病害检测数据集;
步骤S2、从步骤S1中数据集的图像全部样本中选取训练集和测试集,在测试集中,对叶片的图像进行拓展,得到最终叶片测试集;
步骤S3、将步骤S2中的训练集中疾病的类别和数量进行统计分析;
步骤S4、对图像进行数据增强处理;
步骤S5、使用卷积神经网络作为深度学习模型,使用训练集对卷积神经网络深度学习模型进行训练,通过训练后得到的卷积神经网络深度学习模型对测试集进行检测,直到达到预设的准确率,得到通过测试的卷积神经网络深度学习模型;
步骤S6、采用通过测试的卷积神经网络深度学习模型植物叶片进行检测,得到植物叶片病害检测结果。
上述方案中,所述步骤S1具体为:在实时的农业场景下获取植物叶片健康状态和发生病虫害的图像建立植物叶片病害检测数据集,对不同疾病的植物叶片进行多角度、不同天气、不同光照下进行多种类别的图像数据采集。
进一步的,所述步骤S1分别在光照充足、阴影和光照不足阴天情况下采集植物叶片图像。
进一步的,所述步骤S1数据集的植物叶片图像按角度不同分为:
叶片正面朝上的作为第一类;
叶片呈0°-25°翻转的作为第二类;
叶片呈25°-50°翻转的作为第三类。
上述方案中,所述步骤S1中数据集的植物叶片图像包括:
图像中叶片之间没有相互遮挡,呈现出单独完整的叶片;
图像中叶片生长密集,存在相互遮挡的情况;
图像中叶片发生卷曲、弯折的情况。
上述方案中,所述步骤S2中从全部样本中选取80%构成训练集,20%构成测试集,在测试集中,对叶片的图像进行拓展,得到最终叶片测试集。
上述方案中,所述步骤S2中测试集图像的拓展为对测试集中的部分叶片进行不同角度的旋转。
上述方案中,所述步骤S4中数据增强处理具体为:对图像进行随机水平或垂直翻转、随机旋转角度、随机缩放原图操作。
上述方案中,所述步骤S5中卷积神经网络深度学习模型的具体训练方法为:
使用大规模植物叶片病害检测数据集来获取预训练模型;
使用植物叶片病害检测数据集分别对mobilenet和resnet50模型进行迁移学习来调整参数,得到各自的权重值;
将mobilenet和resnet50这两个模型进行融合,在模型融合方法中,使用加权平均算法则预测结果为:
计算预测结果与实际结果的误差,产生损失函数,使用反向传播算法更新每一层的权重系数,对损失函数进行优化,使得损失函数的值最小;
当输出的预测结果达到期望值,则结束训练,当输出的预测结果小于期望值时,则需要调整模型层数或者超参数来优化模型,继续训练。
与现有技术相比,本发明的有益效果是:
本发明利用卷积神经网络对植物叶片表面病害有无的判断和病害种类的识别,能对植物的生长状态进行自动监测,使病害的自动识别更加方便。本发明通过采集同一叶片的多种不同种类的病害叶片图像,通过采用数据增强技术、迁移学习技术和多模型融合的卷积神经网络模型识别多种叶片病害,大大缩短了训练时间,同时降低了参数内存,并提高了准确率,同时也提高了模型泛化能力,并且对图像空间位置变化的适应性较好,具有较好鲁棒性,能够识别植物叶片的不同病害,对农业生产具有重要意义。
附图说明
图1为一种基于卷积神经网络的植物叶片病害检测方法的流程图。
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。
如图1所示,本发明所述基于卷积神经网络的植物叶片病害检测方法,包括以下步骤:
步骤S1、获取植物叶片图像,建立植物叶片病害检测数据集:
获取训练需要的大量植物叶片图像,在实时的农业场景下获取植物叶片健康状态和发生病虫害的图像建立植物叶片疾病检测数据集,对不同疾病的植物叶片进行多角度、不同天气、不同光照下进行多种类别的图像数据采集;
步骤S2、从步骤S1中数据集的图像全部样本中选取训练集和测试集,在测试集中,对叶片的图像进行拓展,得到最终叶片测试集;
步骤S3、将步骤S2中的训练集中疾病的类别和数量进行统计分析,将每种类型的图像的不同状态从完整的数据集中分离出来并存储在相应的类别文件夹中;
步骤S4、对图像进行数据增强处理:对图像进行随机水平或垂直翻转、随机旋转角度、随机缩放原图操作的数据增强处理;
步骤S5、使用卷积神经网络作为深度学习模型,使用训练集对卷积神经网络深度学习模型进行训练,通过训练后得到的卷积神经网络深度学习模型对测试集进行检测,直到达到预设的准确率,得到通过测试的卷积神经网络深度学习模型;采用迁移学习和多模型融合的方法提高病害种类识别的准确率;
步骤S6、采用通过测试的卷积神经网络深度学习模型植物叶片进行检测,得到植物叶片病害检测结果。
根据本实施例,优选的,所述步骤S1分别在光照充足、阴影和光照不足阴天情况下采集植物叶片图像。
根据本实施例,优选的,所述步骤S1中数据集的植物叶片图像包括:
图像中叶片之间没有相互遮挡,可以呈现出单独完整的叶片;
图像中叶片生长密集,存在相互遮挡的情况;
图像中叶片发生卷曲、弯折等情况。
根据本实施例,优选的,所述步骤S2中从全部样本中选取80%构成训练集,20%构成测试集,在测试集中,对叶片的图像进行拓展,得到最终叶片测试集。
考虑到自然条件下叶片的姿态不同,在同一地点不同时刻拍摄的图像中,叶片角度会发生改变,对检测结果造成影响,为解决此问题,在制作训练集时对叶片图像进行分类,对图像按照叶片在图像中呈现的角度不同,所述训练集中的植物叶片图像按角度不同分为:
叶片正面朝上的作为第一类;
叶片呈0°-25°翻转的作为第二类;
叶片呈25°-50°翻转的作为第三类。
所述步骤S2中测试集图像的拓展为对测试集中的部分叶片进行不同角度的旋转。
所述步骤S6中具体训练方法为:
(1)、使用lmageNet大规模数据集来获取预训练模型;
(2)、使用植物叶片病害的数据集分别对mobilenet和resnet50模型进行迁移学习来调整参数,得到各自的权重值w,用于植物叶片病害识别任务中,所述参数包括超参数和输出的种类;
(3)、将mobilenet和resnet50这两个模型进行融合,在模型融合方法中,使用加权平均算法,则预测结果为:
计算预测结果与实际结果的误差,产生损失函数,使用反向传播算法更新每一层的权重系数,对损失函数进行优化,使得损失函数的值最小。
本发明利用卷积神经网络对植物叶片表面病害有无的判断和病害种类的识别,能对植物的生长状态进行自动监测,使病害的自动识别更加方便,通过采集同一叶片的多种不同种类的病害叶片图像,通过采用数据增强技术、迁移学习技术和多模型融合的卷积神经网络模型识别多种叶片病害,大大缩短了训练时间,同时降低了参数内存,并提高了准确率,同时也提高了模型泛化能力,并且对图像空间位置变化的适应性较好,具有较好鲁棒性,能够识别植物叶片的不同病害,对农业生产具有重要意义。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于卷积神经网络的植物叶片病害检测方法,其特征在于,包括以下步骤:
步骤S1、获取植物叶片图像,建立植物叶片病害检测数据集;
步骤S2、从步骤S1中数据集的图像全部样本中选取训练集和测试集,在测试集中,对叶片的图像进行拓展,得到最终叶片测试集;
步骤S3、将步骤S2中的训练集中疾病的类别和数量进行统计分析;
步骤S4、对图像进行数据增强处理;
步骤S5、使用卷积神经网络作为深度学习模型,使用训练集对卷积神经网络深度学习模型进行训练,通过训练后得到的卷积神经网络深度学习模型对测试集进行检测,直到达到预设的准确率,得到通过测试的卷积神经网络深度学习模型;
步骤S6、采用通过测试的卷积神经网络深度学习模型植物叶片进行检测,得到植物叶片病害检测结果。
2.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法,其特征在于,所述步骤S1具体为:在实时的农业场景下获取植物叶片健康状态和发生病虫害的图像建立植物叶片病害检测数据集,对不同疾病的植物叶片进行多角度、不同天气、不同光照下进行多种类别的图像数据采集。
3.根据权利要求2所述的基于卷积神经网络的植物叶片病害检测方法,其特征在于,所述步骤S1分别在光照充足、阴影和光照不足阴天情况下采集植物叶片图像。
4.根据权利要求2所述的基于卷积神经网络的植物叶片病害检测方法,其特征在于,所述步骤S1数据集的植物叶片图像按角度不同分为:
叶片正面朝上的作为第一类;
叶片呈0°-25°翻转的作为第二类;
叶片呈25°-50°翻转的作为第三类。
5.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法,其特征在于,所述步骤S1中数据集的植物叶片图像包括:
图像中叶片之间没有相互遮挡,呈现出单独完整的叶片;
图像中叶片生长密集,存在相互遮挡的情况;
图像中叶片发生卷曲、弯折的情况。
6.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法,其特征在于,所述步骤S2中从全部样本中选取80%构成训练集,20%构成测试集,在测试集中,对叶片的图像进行拓展,得到最终叶片测试集。
7.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法,其特征在于,所述步骤S2中测试集图像的拓展为对测试集中的部分叶片进行不同角度的旋转。
8.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法,其特征在于,所述步骤S4中数据增强处理具体为:对图像进行随机水平或垂直翻转、随机旋转角度、随机缩放原图操作。
9.根据权利要求1所述的基于卷积神经网络的植物叶片病害检测方法,其特征在于,所述步骤S5中卷积神经网络深度学习模型的具体训练方法为:
使用大规模植物叶片病害检测数据集来获取预训练模型;
使用植物叶片病害检测数据集分别对mobilenet和resnet50模型进行迁移学习来调整参数,得到各自的权重值;
将mobilenet和resnet50这两个模型进行融合,在模型融合方法中,使用加权平均算法则预测结果为:
计算预测结果与实际结果的误差,产生损失函数,使用反向传播算法更新每一层的权重系数,对损失函数进行优化,使得损失函数的值最小;
当输出的预测结果达到期望值,则结束训练,当输出的预测结果小于期望值时,则需要调整模型层数或者超参数来优化模型,继续训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111370336.3A CN114140403A (zh) | 2021-11-18 | 2021-11-18 | 一种基于卷积神经网络的植物叶片病害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111370336.3A CN114140403A (zh) | 2021-11-18 | 2021-11-18 | 一种基于卷积神经网络的植物叶片病害检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140403A true CN114140403A (zh) | 2022-03-04 |
Family
ID=80390287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111370336.3A Pending CN114140403A (zh) | 2021-11-18 | 2021-11-18 | 一种基于卷积神经网络的植物叶片病害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140403A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294518A (zh) * | 2022-07-18 | 2022-11-04 | 广东省农业科学院环境园艺研究所 | 一种园艺植物温室精准栽培的智能监控方法及系统 |
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 |
-
2021
- 2021-11-18 CN CN202111370336.3A patent/CN114140403A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294518A (zh) * | 2022-07-18 | 2022-11-04 | 广东省农业科学院环境园艺研究所 | 一种园艺植物温室精准栽培的智能监控方法及系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837926B (zh) | 一种基于大数据的烟草主要病虫害预测方法 | |
CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
CN114140403A (zh) | 一种基于卷积神经网络的植物叶片病害检测方法 | |
CN113627216B (zh) | 植物状态评估方法、系统及计算机可读存储介质 | |
CN112435239A (zh) | 基于MRE-PointNet和自编码器模型的绿萝叶片外形参数估测方法 | |
CN114359727A (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
CN116129260A (zh) | 基于深度学习的牧草图像识别方法 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
CN107219759B (zh) | 一种温室环境控制方法及装置 | |
CN113221765A (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN113033453A (zh) | 一种适用于景观破碎区作物类型遥感识别的方法及系统 | |
Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
CN111027436A (zh) | 一种基于深度学习的东北黑木耳病虫害图像识别系统 | |
Kundur et al. | Deep convolutional neural network architecture for plant seedling classification | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
Borman et al. | Classification of Medicinal Wild Plants Using Radial Basis Function Neural Network with Least Mean Square | |
CN116778343B (zh) | 一种用于综合识别的目标图像特征提取方法 | |
CN112597907A (zh) | 基于深度学习的柑橘红蜘蛛虫害的识别方法 | |
CN105184234B (zh) | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 | |
Sun et al. | A recognition method of cattle and sheep based on convolutional neural network | |
CN113408393A (zh) | 一种木薯病害识别方法 | |
CN115510991A (zh) | 一种基于1dcnn-lstm多源信息融合模型的日光温室蚜虫预警方法 | |
Gao et al. | Classification Method of Rape Root Swelling Disease Based on Convolution Neural Network | |
CN115862003A (zh) | 一种基于轻量化YOLOv5的在体苹果目标检测和分级方法 |
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 |