一种农作物病虫害检测方法与流程

本发明涉及一种农作物病虫害的检测方法。

背景技术：

农作物病虫害的智能检测，一直是农业信息化的一项重要内容，在近些年来越来越受到专家和学者的重视。农作物病虫害图像智能识别技术则是图像处理技术与人工智能技术相结合，在农作物病虫害识别上的应用，成为替代传统人工识别的技术手段，其对农作物病虫害识别具有传统方法所不具备的快速性、准确性、实时性等特点。

目前的农作物病虫害图像智能识别技术一般是通过各种分类算法实现的，但是各种分类算法均存在各自的优点和缺点。目前的农作物病虫害图像智能识别技术针对于一种农作物的病虫害进行分类的准确率一般能够达到85％以上，但是完全依赖于具体的分类算法的自身结构特点。例如单一利用卷积神经网络进行分类是就严重依赖于卷积神经网络的结构，有的卷积神经网络的结构对应的效果(准确率)能够达到90％左右，但是有的卷积神经网络的结构对应的分类效果(准确率)甚至达不到70％。由于每种农作物都有自身的特征信息，每种农作物病虫害也有自身的特征信息，一般现有的分类算法在训练的时候仅能针对一种作物有效，一旦将不同农作物病虫害图像作为样本，则分类效果(准确率)明显下降。

技术实现要素：

本发明为了解决现有的针对于农作物病虫害的智能检测准确率不高的问题和分类精度波动大的问题，进而提出了一种农作物病虫害检测方法。

一种农作物病虫害检测方法，包括：

步骤一：将具有明确标签的可见光农作物病虫害图像进行预处理，得到预处理后的可见光农作物病虫害图像，将预处理后的可见光农作物病虫害图像分成训练集和测试集；

搭建十八层网络结构的卷积神经网络，用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练，并用可见光农作物病虫害图像测试集对卷积神经网络进行测试，得到训练好的卷积神经网络；

利用训练好的卷积神经网络对具有明确标签的可见光农作物病虫害图像的特征进行提取；对提取到的特征和训练好的卷积神经网络进行存储；

步骤二：利用从可见光农作物病虫害图像提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型；

步骤三：针对新上传的农作物病虫害可见光图片，进行预处理，然后用训练好的卷积神经网络进行特征提取，然后再用训练好的支持向量机模型对提取到的特征进行分类，从而得到农作物病虫害的分类结果。

优选地，步骤一所述的卷积神经网络的十八层网络结构如下：

第1层的层类型为卷积层，尺寸为11*11*3*64，步长4；

第2层的层类型为归一化层；

第3层的层类型为激活层；

第4层的层类型为池化层，尺寸为3*3，步长3；

第5层的层类型为卷积层，尺寸为5*5*64*256，步长3；

第6层的层类型为归一化层；

第7层的层类型为激活层；

第8层的层类型为池化层，尺寸为2*2，步长2；

第9层的层类型为卷积层，尺寸为3*3*256*256，步长2；

第10层的层类型为归一化层；

第11层的层类型为激活层；

第12层的层类型为池化层，尺寸为2*2，步长2；

第13层的层类型为全连接层，尺寸为1*1*256*1024，步长1；

第14层的层类型为激活层；

第15层的层类型为全连接层，尺寸为1*1*1024*128，步长1；

第16层的层类型为激活层；

第17层的层类型为全连接层，尺寸为1*1*128*n，步长1；

第18层的层类型为分类层；

其中，第17层的全连接层中的n表示实际的分类数。

优选地，步骤一所述利用训练好的卷积神经网络对具有明确标签的可见光农作物病虫害图像的特征进行提取的过程包括以下步骤：

将具有明确标签的可见光农作物病虫害图像输入训练好的卷积神经网络，神经网络的第15层所对应的全连接层输出128维特征，所述的128维特征就是提取到的特征。

优选地，步骤二所述的支持向量机模型的参数如下：

核模型选用radialbasisfunction核，即rbf核；

rbf核参数γ为1000；

损失系数c为0.0001。

优选地，所述卷积神经网络的所有激活层的激活函数的形式为g(x)＝max(0,x)，x为自变量。

优选地，步骤一所述的可见光农作物病虫害图像为jpeg格式的rgb彩色图像。

优选地，步骤一所述的预处理过程包括尺寸重定义、数据归一化。

优选地，所述的尺寸重定义的方式为重采样，重采样后图片样本的尺寸变为：224*224*3；其中，224、224分别为图片样本的宽和高，单位为像素，3表示原图片仍为彩色图像，拥有r、g、b三个通道。

优选地，所述的数据归一化包括以下步骤：

针对每幅图像样本的r、g、b三个通道，分别减去对应通道下所有像素点数值的均值。

优选地，步骤一所述的用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练的学习率在0.1-0.001的范围内选取。

本发明具有以下有益效果：

传统的分类方法需要针对实际图像样本的特点，采取不同种类的特征提取方法，智能性较差，分类精度波动较大。而本发明提出的分类方法，针对不同特征的图像样本均可以进行智能化特征提取以及分类，能实现较高的分类精度，针对1865张不同农作物病虫害图像训练样本来说，利用1865张不同农作物病虫害图像测试样本进行测试的分类精度能够达到97.48％；并且，随着图片样本数量的增加，分类精度还会有所提高。同时本发明分类精度波动很小、稳定性高。

附图说明

图1是卷积神经网络结构图；

图2是线性修正函数曲线图。

具体实施方式

具体实施方式一：

一种农作物病虫害检测方法，包括：

步骤一：将具有明确标签的可见光农作物病虫害图像进行预处理，得到预处理后的可见光农作物病虫害图像，将预处理后的可见光农作物病虫害图像分成训练集和测试集；

搭建十八层网络结构的卷积神经网络，用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练，并用可见光农作物病虫害图像测试集对卷积神经网络进行测试，得到训练好的卷积神经网络；

利用训练好的卷积神经网络对具有明确标签的可见光农作物病虫害图像的特征进行提取；对提取到的特征和训练好的卷积神经网络进行存储；

分类标签由大类和小类共同组成。大类标签主要指农作物的种类，小类的标签主要指每种农作物下，是否是健康植株，或者患某种疾病。比如：对于健康小麦的可见光图片样本，其标签为：小麦_健康；对于患有普通锈病的玉米的可见光图片样本，其标签为：玉米_普通锈病。

步骤二：利用从可见光农作物病虫害图像提取到的特征和其对应的可见光农作物病虫害图像的分类标签训练支持向量机模型；

步骤三：针对新上传的农作物病虫害可见光图片，进行预处理，然后用训练好的卷积神经网络进行特征提取，然后再用训练好的支持向量机模型对提取到的特征进行分类，从而得到农作物病虫害的分类结果。

具体实施方式二：结合图1说明本实施方式，

本实施方式步骤一所述的卷积神经网络的十八层网络结构如下表：

表1卷积神经网络结构

其中，第17层的全连接层中的n表示实际的分类数。

其他步骤和参数与具体实施方式一相同。

具体实施方式三：

本实施方式步骤一所述利用训练好的卷积神经网络对具有明确标签的可见光农作物病虫害图像的特征进行提取的过程包括以下步骤：

将具有明确标签的可见光农作物病虫害图像输入训练好的卷积神经网络，神经网络的第15层所对应的全连接层输出128维特征，所述的128维特征就是提取到的特征，也就是十八层卷积神经网络第15层输出的特征。

其他步骤和参数与具体实施方式二相同。

具体实施方式四：

本实施方式步骤二所述的支持向量机模型的参数如下：

核模型选用radialbasisfunction核，即rbf核；

rbf核参数γ取值范围为10至1000，

损失系数c取值范围为0.0001至0.1。

其中分类效果最优时γ取值为1000，c取值为0.0001；

其他步骤和参数与具体实施方式一至三之一相同。

具体实施方式五：

本实施方式所述卷积神经网络的所有激活层的激活函数的形式为g(x)＝max(0,x)，x为自变量；函数图形如图2所示，其中relu为激活层的类型，是激活函数的一种。

其他步骤和参数与具体实施方式一至四之一相同。

具体实施方式六：

本实施方式步骤一所述的可见光农作物病虫害图像为jpeg格式的rgb彩色图像。

其他步骤和参数与具体实施方式一至五之一相同。

具体实施方式七：

本实施方式步骤一所述的预处理过程包括尺寸重定义、数据归一化。

所述的尺寸重定义的方式为重采样，重采样后图片样本的尺寸变为：224*224*3；其中，224、224分别为图片样本的宽和高，单位为像素，3表示原图片仍为彩色图像，拥有r、g、b三个通道；

所述的数据归一化包括以下步骤：

针对每幅图像样本的r、g、b三个通道，分别减去对应通道下所有像素点数值的均值，便于后续的训练。

在数据归一化后还需要进行数据格式转换，以便matlab下的matconvnet工具包进行处理；

格式命名为：plantcnndataset.其格式的具体内容如下：

其他步骤和参数与具体实施方式一至六之一相同。

具体实施方式八：

本实施方式步骤一所述的用可见光农作物病虫害图像训练集的样本进行卷积神经网络训练的学习率在0.1-0.001的范围内选取。

学习率及训练次数视情况而定。学习率主要在0.1-0.001的范围内选取，刚开始训练时学习率选取可以较大，随着训练次数不断增加，学习率可以逐渐调小。

其他步骤和参数与具体实施方式一至七之一相同。

实施例：

支持向量机参数设置如下：

核模型：rbf核；rbf核参数γ为1000；损失系数c为0.0001。

按照本发明最具体的方案进行实验，

表2农作物病虫害检测样本

其中，类别样本数量为训练样本数量和测试样本数量的总和。

运算结果：

测试样本分类准确的样本数量为1818张，占1865的97.48％，也就是本发明测试样本总分类准确率为97.48％。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。