本发明涉及计算机视觉技术领域，具体涉及一种基于卷积神经网络的果树病害识别与防治方法。
背景技术：
目前，基于pda的果树病虫害诊断识别方法一般都是通过远程pc系统和移动客户端系统共同实现，其中，远程pc系统包括pc数据库、pc索引库、数据采集模块、索引管理模块、规则引擎和传输模块。数据采集模块将采集的原始信息上传给pc数据库；索引管理模块对pc数据库中的数据逐条扫描，并按照规则引擎中的规则生成对应的索引条目，保存到pc索引库中；pc数据库和pc索引库均经过传输模块与移动客户端系统通讯。此类方法只能对文本数据进行操作，并且用户能够直接对服务器的数据库进行导入操作，影响了数据库的安全性，而且其中的移动客户端是通过用户对事物的描述文字向服务器端进行传入信息，具有一定的主观性，影响了识别的正确率，而用户通过客户端的反馈信息，只做了分析并没有和之前原始数据库有联系。
技术实现要素：
针对现有技术存在的问题，本发明提供一种基于卷积神经网络的果树病害识别与防治方法，通过深度学习的方式，利用大量果树病害的图片制作图片数据集，然后将制作好的图片数据集放入卷积神经网络中进行训练，形成系统知识库，利用系统知识库与用户采集到的果树病害图片进行匹配、分类，并结合构建的果树病害系统文本数据库，返回给用户该类疾病的解决方法。
为了实现上述目的，一种基于卷积神经网络的果树病害识别与防治方法，包括以下步骤：
步骤1：获取图片数据集，使用keras作为深度学习框架构建系统图片知识库，具体方法如下：
步骤1.1：获取图片数据集；所述图片数据集为各种果树得病后的症状图片；
步骤1.2：对获取的图片数据集进行预处理，将预处理后的图片数据集转换成矩阵，使用keras作为深度学习框架，采用relu激活函数，搭建基于图片数据集的卷积神经网络，具体方法如下：
步骤1.2.1：对获取的图片数据集进行预处理，包括去噪、灰度化、增强；
步骤1.2.2：将预处理后的图片数据集转换成矩阵，对图像的不同数据窗口数据和共享的数据窗口权重做内积，即特征提取，然后得到新的二维特征图；
步骤1.2.3：对二维特征图进行压缩，一方面使特征图变小，简化网络计算复杂度，一方面进行特征压缩，提取主要特征；
步骤1.2.4：连接所有的特征，把最终得到的二维特征图转化成一个一维的向量，将输出值统一存储；
步骤1.3：将转换成矩阵的图片数据集，放到搭建好的卷积神经网络中，利用方向梯度直方图hog进行训练，得到系统图片权重文件，即系统图片知识库；
步骤2：构建果树病害的系统文本知识库，包括各种果树病害的名称、病因、病害症状、发病规律和防治措施；
步骤3：采用拍照的方式对用户选取的果树病害进行图片采集；
步骤4：使用方向梯度直方图hog提取图片的纹理特征，将采集的图片数据与系统图片知识库进行匹配，具体方法如下：
步骤4.1：对采集到的图片进行预处理，包括去噪、灰度化、增强；
步骤4.2：将预处理后的图片分成小的连通区域，即细胞单元；
步骤4.2：采集细胞单元中各像素点的方向梯度直方图，并统计此细胞单元的方向梯度直方图，则形成了此细胞单元的描述符；
步骤4.3：把采集到的所有描述符组合起来，构成该采集到的图片的特征描述；
步骤4.4：将采集到的图片的特征描述与系统图片知识库中进行匹配；
步骤5：结合构建的果树病害系统文本数据库，输出图片匹配后的结果，返回给用户该类疾病的解决方法，包括果树病害的名称、病因、病害症状、发病规律和防治措施。
本发明的有益效果：
本发明提出一种基于卷积神经网络的果树病害识别与防治方法，不仅能为用户在解决果树疾病预防、治疗、防御上提供方便，也能为农科所的工作人员减轻工作负担，将用户采集到的图片上传后就可立即区分该图片中果树的患病情况，包含果树具体所患哪种疾病、形成此种疾病的原因、怎么治疗此种疾病、今后怎么预防此种疾病等等，从而提高了用户对果树疾病的认识。
附图说明
图1为本发明实施例的基于卷积神经网络的果树病害识别与防治方法流程图；
图2为本发明实施例的基于卷积神经网络的果树病害识别与防治方法中步骤1流程图；
图3为本发明实施例的基于卷积神经网络的果树病害识别与防治方法中用户选取的果树疾病图样；
图4为本发明实施例的基于卷积神经网络的果树病害识别与防治方法中步骤4流程图；
图5为本发明实施例的基于卷积神经网络的果树病害识别与防治方法中匹配后输出图样。
具体实施方式
为了使本发明的目的、技术方案及优势更加清晰,下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
一种基于卷积神经网络的果树病害识别与防治方法，流程如图1所示，具体方法如下所述：
步骤1：获取图片数据集，使用keras作为深度学习框架构建系统图片知识库，流程如图2所示，具体方法如下：
所述keras是基于theano的一个深度学习框架，参考了torch，是一个高度模块化的神经网络库，支持gpu和cpu。
步骤1.1：获取图片数据集；所述图片数据集为各种果树得病后的症状图片；
步骤1.2：对获取的图片数据集进行预处理，将预处理后的图片数据集转换成矩阵，使用keras作为深度学习框架，采用relu激活函数，搭建基于图片数据集的卷积神经网络，具体方法如下：
步骤1.2.1：对获取的图片数据集进行预处理，包括去噪、灰度化、增强；
步骤1.2.2：将预处理后的图片数据集转换成矩阵，对图像的不同数据窗口数据和共享的数据窗口权重做内积，即特征提取，然后得到新的二维特征图。
步骤1.2.3：对二维特征图进行压缩，一方面使特征图变小，简化网络计算复杂度，一方面进行特征压缩，提取主要特征。
步骤1.2.4：连接所有的特征，把最终得到的二维特征图转化成一个一维的向量，将输出值统一存储。
步骤1.3：将转换成矩阵的图片数据集，放到搭建好的卷积神经网络中，利用方向梯度直方图hog进行训练，得到系统图片权重文件，即系统图片知识库。
所述方向梯度直方图hog是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。
步骤2：构建果树病害的系统文本知识库，包括各种果树病害的名称、病因、病害症状、发病规律和防治措施。
步骤3：采用拍照的方式对用户选取的果树病害进行图片采集。
本实施例中，用户采集的果树病害图片如图3所示。
步骤4：使用方向梯度直方图hog提取图片的纹理特征，将采集的图片数据与系统图片知识库进行匹配，流程如图4所示，具体方法如下：
步骤4.1：对采集到的图片进行预处理，包括去噪、灰度化、增强。
步骤4.2：将预处理后的图片分成小的连通区域，即细胞单元。
步骤4.2：采集细胞单元中各像素点的方向梯度直方图，并统计此细胞单元的方向梯度直方图，则形成了此细胞单元的描述符。
步骤4.3：把采集到的所有描述符组合起来，构成该采集到的图片的特征描述。
步骤4.4：将采集到的图片的特征描述与系统图片知识库中进行匹配。
步骤5：结合构建的果树病害系统文本数据库，输出图片匹配后的结果，返回给用户该类疾病的解决方法，包括果树病害的名称、病因、病害症状、发病规律和防治措施，如图5所示。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。