CN212990135U - 一种基于MobileNet神经网络模型的病虫害图像识别装置 - Google Patents
一种基于MobileNet神经网络模型的病虫害图像识别装置 Download PDFInfo
- Publication number
- CN212990135U CN212990135U CN202022115122.9U CN202022115122U CN212990135U CN 212990135 U CN212990135 U CN 212990135U CN 202022115122 U CN202022115122 U CN 202022115122U CN 212990135 U CN212990135 U CN 212990135U
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- electrically connected
- recognition device
- 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.)
- Active
Links
Images
Landscapes
- Catching Or Destruction (AREA)
Abstract
本申请一种基于MobileNet神经网络模型的病虫害图像识别装置,涉及农业病虫害图像识别装置技术领域,包括摄像头、图像传感器、存储模块、嵌入式微型处理器、显示模块、输入模块和供电模块;摄像头与图像传感器电连接;图像传感器、存储模块、显示模块和输入模块分别与嵌入式微型处理器电连接;摄像头、图像传感器、嵌入式微型处理器和显示模块分别与供电模块电连接;嵌入式微型处理器中设有MobileNet神经网络模型。本申请装置基于MobileNet神经网络模型,能够采集、处理和识别病虫害图像,降低了网络的参数规模和运算量,且本申请识别装置具有功能综合性强、维护容易、安装使用方便的特点。
Description
技术领域
本申请涉及农业病虫害图像识别装置技术领域,具体地涉及一种基于MobileNet神经网络模型的病虫害图像识别装置。
背景技术
农作物病虫害由于种类繁多且情况复杂,在特定条件下容易大面积发生从而导致农产品产出量急剧下降,因此病虫害的预防监测成为了农业生产活动中的一项重要环节。在农作物生产活动中可能受到多种病虫害交杂影响,其中某些并不能被肉眼所识别,其可能也是破坏农作物植株正常生理状态的重点诱因,致使农作物基因突变、细胞变异或者组织损伤,从而带来减产、甚至绝产后果。
传统农作物病虫害的检测采用化学手段不仅耗时长、过程复杂、空间局限性,同时可能附带化学污染。近年来,人工智能技术已经广泛应用于农业、工业、医学、商业、化工、冶金等常规重点领域,涵盖了机器人、语言识别、图像识别、自然语言处理和专家系统。针对农业领域,人工智能中图像识别技术已经能够实现植物类别的细粒度精准辨识,通过利用农作物病虫害图像表征信息,经过数据处理和运算,到达辨识目的,该技术相对于传统农业病虫害检测技术而言,最大优点为快速和无污染。
但是,在农业环境中需求移动或者嵌入式图像识别装置,常规图像识别模型大而复杂难以被部署和应用,主要因为模型自身存储需求较大和快捷响应需求导致嵌入式算力无法满足,因此设计一种小而高效的图像识别模型至关重要。
实用新型内容
本申请提供了一种基于MobileNet神经网络模型的病虫害图像识别装置,以解决常规图像识别装置在移动性和小型化应用方面受局限的问题。
本申请采用的技术方案如下:
一种基于MobileNet神经网络模型的病虫害图像识别装置,包括摄像头、图像传感器、存储模块、嵌入式微型处理器、显示模块、输入模块和供电模块;
所述摄像头与所述图像传感器电连接;
所述图像传感器、所述存储模块、所述显示模块和所述输入模块分别与所述嵌入式微型处理器电连接;
所述摄像头、所述图像传感器、所述嵌入式微型处理器和所述显示模块分别与所述供电模块电连接;所述嵌入式微型处理器中设有MobileNet神经网络模型。
进一步地,所述识别装置还包括CSI接口,所述CSI接口与所述嵌入式微型处理器电连接,所述图像传感器与所述CSI接口电连接。
进一步地,所述输入模块包括键盘和鼠标。
进一步地,所述识别装置还包括DSI串行显示接口,所述DSI串行显示接口与所述嵌入式微型处理器电连接,所述DSI串行显示接口与触摸屏电连接。
进一步地,所述识别装置还包括以太网接口芯片,所述嵌入式微型处理器与所述以太网接口芯片电连接,所述以太网接口芯片与RJ45以太网接口电连接。
进一步地,所述识别装置还包括JTAG调试接口,所述JTAG调试接口与所述嵌入式微型处理器电连接。
进一步地,所述识别装置还包括WiFi模块,所述WiFi模块与所述嵌入式微型处理器电连接,所述WiFi模块用于连接无线网络,所述WiFi模块设置有WiFi天线。
进一步地,所述存储模块为SD卡存储器。
进一步地,所述嵌入式微型处理器为树莓派微型计算机。
采用本申请的技术方案的有益效果如下:
本申请一种基于MobileNet神经网络模型的病虫害图像识别装置,包括摄像头、图像传感器、存储模块、嵌入式微型处理器、显示模块、输入模块和供电模块;摄像头与图像传感器电连接;图像传感器、存储模块、显示模块和输入模块分别与嵌入式微型处理器电连接;摄像头、图像传感器、嵌入式微型处理器和显示模块分别与供电模块电连接;嵌入式微型处理器中设有MobileNet神经网络模型。本申请装置中的MobileNet神经网络模型,具有轻量化的特点,能够满足采集、处理和识别病虫害图像的需求,且降低了网络的参数规模和运算量,对硬件配置的要求低,因此本申请识别装置既能够保证识别过程的精确性,又具有功能综合性强、安装使用方便、应用范围广的特点。
附图说明
为了更清楚地说明本申请的技术方案,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,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的基于MobileNet神经网络模型的病虫害图像识别装置的结构示意图;
图2为本申请实施例所提供的MobileNet神经网络模型构建和识别过程的示意图。
具体实施方式
参见图1,为本申请实施例所提供的基于MobileNet神经网络模型的病虫害图像识别装置的结构示意图;参见图2,为本申请实施例所提供的MobileNet神经网络模型构建和识别过程的示意图。
MobileNet是通过使用深度可分离的卷积来构建轻量级的深度神经网络,可减少网络的参数数量和计算量。
本申请提供的一种基于MobileNet神经网络模型的病虫害图像识别装置,采用小而有效MobileNet神经网络模型,实现了农作物类型识别、农作物病虫害病虫害类型以及病状程度辨识。
本申请的识别装置包括摄像头、图像传感器、存储模块、嵌入式微型处理器、显示模块、输入模块和供电模块。
摄像头与图像传感器电连接,摄像头采集待识别的图像,并将采集的图像传输至图像传感器,图像传感器接收图像并将其转换为图像数据后传输至嵌入式微型处理器。图像传感器、存储模块、显示模块和输入模块分别与嵌入式微型处理器电连接,摄像头、图像传感器、嵌入式微型处理器和显示模块分别与供电模块电连接。供电模块为整个识别装置提供电力能源。输入模块用于在病虫害识别过程中实现用户与识别装置之间的交互。
嵌入式微型处理器是本申请识别装置的核心。嵌入式微型处理器既包括网络、图像、数据和用户交互接口,用于统一协调各模块之间的相互关系,进行数据的接收与输出;还包括MobileNet神经网络模型,MobileNet神经网络模型用于对接收到的图像数据进行轻量化卷积神经网络分析以提取图像特征信息,进而识别出农作物类型、农作物病虫害类型和病状程度。
在本申请实施例中,本申请识别装置还包括CSI接口,CSI接口与嵌入式微型处理器电连接,图像传感器与CSI接口电连接。
本申请识别装置还包括以太网接口芯片,嵌入式微型处理器与以太网接口芯片电连接,以太网接口芯片与RJ45以太网接口电连接。
本申请识别装置还包括JTAG调试接口,JTAG调试接口与嵌入式微型处理器电连接。
本申请识别装置还包括WiFi模块,WiFi模块与嵌入式微型处理器电连接,WiFi模块用于连接无线网络,WiFi模块设置有WiFi天线。
本申请识别装置中的存储模块为SD卡存储器,SD卡存储器用于存储嵌入式微型处理器在进行识别过程中接收的数据,还用于存储嵌入式微型处理器的系统数据和深度学习图像处理模块的数据库。
在申请实施例中,本申请识别装置中的输入模块,输入模块用于在病虫害识别过程中实现用户与识别装置之间的交互。输入模块包括键盘和鼠标。
在识别装置设有DSI串行显示接口,DSI串行显示接口与嵌入式微型处理器电连接, DSI串行显示接口与触摸屏电连接。触摸屏用于嵌入式微型处理器在病虫害识别过程中的人工操作界面。
本申请实施例所提供的嵌入式微型处理器为树莓派微型计算机。
参见图2,本申请实施例提供的MobileNet神经网络模型构建和识别过程如下:
(1)图像采集阶段:依托运维人员、专家和农户,利用图像采集设备,采集不同时节、区域,各个生长阶段、不同种类和程度的海量农作物病虫害图像;
(2)图像预处理阶段:首先去掉不符病虫害图像,然后将符合病虫害的图像由农作物科研院所进行审核和打标,最后对图像进行数据增强、归一化、标准化等处理;
(3)MobileNet神经网络模型构建阶段:将图像进行随机抽取,划分为训练集、验证集和测试集,完成MobileNet神经网络模型的训练和优化;
(4)MobileNet神经网络模型的识别阶段:采集待测病虫害图像,首先判断是否出现病虫害症状,如果出现则判断病虫害类型以及病状程度;
(5)病虫害防治知识库构建阶段:利用图像预处理阶段得到的图像信息构建图像信息库,利用待测病虫害图像扩充图像信息库,通过农业病虫害专家给出的对应症状防治措施构建病虫害防治知识库;
(6)MobileNet神经网络模型自学习阶段:由专家对MobileNet病虫害模型识别训练阶段获得的识别结果进行审核并认证,利用图像信息库继续对MobileNet神经网络模型进行训练,并判定MobileNet神经网络模型的精准率和识别速度,最终实现MobileNet 神经网络模型识别模型的优化和自我学习过程,不断提高本申请识别装置的工作效率。
本申请实施例提供的基于MobileNet神经网络模型的病虫害图像识别装置的使用过程:通过摄像头和图像传感器采集和传送病虫害图像数据,利用CSI接口电路将采集到的病虫害图像数据传送到嵌入式微型处理器中,通过嵌入式微型处理器进行图像数据识别,并由存储模块存储病虫害图像识别过程中的各种数据,嵌入式微型处理器将存储模块中的MobileNet神经网络模型迁移到嵌入式微型处理器的程序存储器中,对图像进行识别;触摸屏显示病虫害图像识别过程中的识别结果,利用触摸屏和键盘、鼠标完成病虫害图像识别过程中的各种人工操作,整个识别装置进行有机的结合完成病虫害图像的识别过程。本申请装置基于MobileNet神经网络模型,集采集、处理和识别病虫害图像于一体,降低了网络的参数规模和运算量,且具有功能综合性强、维护容易、安装使用方便等特点。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (9)
1.一种基于MobileNet神经网络模型的病虫害图像识别装置,其特征在于,包括摄像头、图像传感器、存储模块、嵌入式微型处理器、显示模块、输入模块和供电模块;
所述摄像头与所述图像传感器电连接;
所述图像传感器、所述存储模块、所述显示模块和所述输入模块分别与所述嵌入式微型处理器电连接;
所述摄像头、所述图像传感器、所述嵌入式微型处理器和所述显示模块分别与所述供电模块电连接;所述嵌入式微型处理器中设有MobileNet神经网络模型。
2.根据权利要求1所述的基于MobileNet神经网络模型的病虫害图像识别装置,其特征在于,所述识别装置还包括CSI接口,所述CSI接口与所述嵌入式微型处理器电连接,所述图像传感器与所述CSI接口电连接。
3.根据权利要求1所述的基于MobileNet神经网络模型的病虫害图像识别装置,其特征在于,所述输入模块包括键盘和鼠标。
4.根据权利要求1所述的基于MobileNet神经网络模型的病虫害图像识别装置,其特征在于,所述识别装置还包括DSI串行显示接口,所述DSI串行显示接口与所述嵌入式微型处理器电连接,所述DSI串行显示接口与触摸屏电连接。
5.根据权利要求1所述的基于MobileNet神经网络模型的病虫害图像识别装置,其特征在于,所述识别装置还包括以太网接口芯片,所述嵌入式微型处理器与所述以太网接口芯片电连接,所述以太网接口芯片与RJ45以太网接口电连接。
6.根据权利要求1所述的基于MobileNet神经网络模型的病虫害图像识别装置,其特征在于,所述识别装置还包括JTAG调试接口,所述JTAG调试接口与所述嵌入式微型处理器电连接。
7.根据权利要求1所述的基于MobileNet神经网络模型的病虫害图像识别装置,其特征在于,所述识别装置还包括WiFi模块,所述WiFi模块与所述嵌入式微型处理器电连接,所述WiFi模块用于连接无线网络,所述WiFi模块设置有WiFi天线。
8.根据权利要求1所述的基于MobileNet神经网络模型的病虫害图像识别装置,其特征在于,所述存储模块为SD卡存储器。
9.根据权利要求1-8任意一项所述的基于Mobi leNet神经网络模型的病虫害图像识别装置,其特征在于,所述嵌入式微型处理器为树莓派微型计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022115122.9U CN212990135U (zh) | 2020-09-23 | 2020-09-23 | 一种基于MobileNet神经网络模型的病虫害图像识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022115122.9U CN212990135U (zh) | 2020-09-23 | 2020-09-23 | 一种基于MobileNet神经网络模型的病虫害图像识别装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN212990135U true CN212990135U (zh) | 2021-04-16 |
Family
ID=75418199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202022115122.9U Active CN212990135U (zh) | 2020-09-23 | 2020-09-23 | 一种基于MobileNet神经网络模型的病虫害图像识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN212990135U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138789A (zh) * | 2021-05-14 | 2021-07-20 | 苏州大学 | 一种嵌入式物体认知系统 |
-
2020
- 2020-09-23 CN CN202022115122.9U patent/CN212990135U/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138789A (zh) * | 2021-05-14 | 2021-07-20 | 苏州大学 | 一种嵌入式物体认知系统 |
WO2022237058A1 (zh) * | 2021-05-14 | 2022-11-17 | 苏州大学 | 一种嵌入式物体认知系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Identification of rice diseases using deep convolutional neural networks | |
Zhao et al. | An effective automatic system deployed in agricultural Internet of Things using Multi-Context Fusion Network towards crop disease recognition in the wild | |
Abdalla et al. | Nutrient status diagnosis of infield oilseed rape via deep learning-enabled dynamic model | |
CN110132358B (zh) | 一种基于云计算的污水处理设备故障监测系统 | |
Roldán-Serrato et al. | Automatic pest detection on bean and potato crops by applying neural classifiers | |
CN113392748B (zh) | 一种基于卷积神经网络的遥感影像耕地信息提取方法 | |
Saddik et al. | Real-time evaluation of different indexes in precision agriculture using a heterogeneous embedded system | |
Singh et al. | A systematic review of artificial intelligence in agriculture | |
CN212990135U (zh) | 一种基于MobileNet神经网络模型的病虫害图像识别装置 | |
Hemalatha et al. | Sugarcane leaf disease detection through deep learning | |
Diao et al. | Navigation line extraction algorithm for corn spraying robot based on improved YOLOv8s network | |
CN110532926A (zh) | 基于深度学习的猪神经性疾病智能测报方法 | |
AU2021105327A4 (en) | A computer implemented and IoT based method for increasing crop production using machine learning model | |
Sankar et al. | Green leaf disease detection using raspberry pi | |
CN112883999A (zh) | 一种用于奶牛运动异常检测计步器系统及其方法 | |
CN205786571U (zh) | 一种农产品市场监测系统 | |
Brar et al. | A smart approach to coconut leaf spot disease classification using computer vision and deep learning technique | |
CN112019607A (zh) | 基于可视化云平台的智慧农场综合控制方法及系统 | |
CN202421078U (zh) | 农作物叶部病斑无损采集及测量装置 | |
Adams et al. | Phenotypic trait extraction of soybean plants using deep convolutional neural networks with transfer learning. | |
Lordwin Cecil Prabhakar et al. | IoT Based Air Quality Monitoring and Plant Disease Detection for Agriculture | |
CN111652867A (zh) | 一种基于深度形态学置信网络的无重环境植物生长方法 | |
Kavitha et al. | Medicinal Plant Species Detection using Deep Learning | |
Reddy et al. | Plant Leaf Disease Detection using IoT, DL and ML | |
Singh et al. | Monitoring and detecting plant diseases using cloud-based internet of things |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |