本發(fā)明涉及一種農(nóng)作物病蟲害的檢測方法。

背景技術(shù)：

農(nóng)作物病蟲害的智能檢測，一直是農(nóng)業(yè)信息化的一項(xiàng)重要內(nèi)容，在近些年來越來越受到專家和學(xué)者的重視。農(nóng)作物病蟲害圖像智能識(shí)別技術(shù)則是圖像處理技術(shù)與人工智能技術(shù)相結(jié)合，在農(nóng)作物病蟲害識(shí)別上的應(yīng)用，成為替代傳統(tǒng)人工識(shí)別的技術(shù)手段，其對(duì)農(nóng)作物病蟲害識(shí)別具有傳統(tǒng)方法所不具備的快速性、準(zhǔn)確性、實(shí)時(shí)性等特點(diǎn)。

目前的農(nóng)作物病蟲害圖像智能識(shí)別技術(shù)一般是通過各種分類算法實(shí)現(xiàn)的，但是各種分類算法均存在各自的優(yōu)點(diǎn)和缺點(diǎn)。目前的農(nóng)作物病蟲害圖像智能識(shí)別技術(shù)針對(duì)于一種農(nóng)作物的病蟲害進(jìn)行分類的準(zhǔn)確率一般能夠達(dá)到85％以上，但是完全依賴于具體的分類算法的自身結(jié)構(gòu)特點(diǎn)。例如單一利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類是就嚴(yán)重依賴于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，有的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對(duì)應(yīng)的效果(準(zhǔn)確率)能夠達(dá)到90％左右，但是有的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對(duì)應(yīng)的分類效果(準(zhǔn)確率)甚至達(dá)不到70％。由于每種農(nóng)作物都有自身的特征信息，每種農(nóng)作物病蟲害也有自身的特征信息，一般現(xiàn)有的分類算法在訓(xùn)練的時(shí)候僅能針對(duì)一種作物有效，一旦將不同農(nóng)作物病蟲害圖像作為樣本，則分類效果(準(zhǔn)確率)明顯下降。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了解決現(xiàn)有的針對(duì)于農(nóng)作物病蟲害的智能檢測準(zhǔn)確率不高的問題和分類精度波動(dòng)大的問題，進(jìn)而提出了一種農(nóng)作物病蟲害檢測方法。

一種農(nóng)作物病蟲害檢測方法，包括：

步驟一：將具有明確標(biāo)簽的可見光農(nóng)作物病蟲害圖像進(jìn)行預(yù)處理，得到預(yù)處理后的可見光農(nóng)作物病蟲害圖像，將預(yù)處理后的可見光農(nóng)作物病蟲害圖像分成訓(xùn)練集和測試集；

搭建十八層網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，用可見光農(nóng)作物病蟲害圖像訓(xùn)練集的樣本進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并用可見光農(nóng)作物病蟲害圖像測試集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)；

利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)具有明確標(biāo)簽的可見光農(nóng)作物病蟲害圖像的特征進(jìn)行提??；對(duì)提取到的特征和訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行存儲(chǔ)；

步驟二：利用從可見光農(nóng)作物病蟲害圖像提取到的特征和其對(duì)應(yīng)的可見光農(nóng)作物病蟲害圖像的分類標(biāo)簽訓(xùn)練支持向量機(jī)模型；

步驟三：針對(duì)新上傳的農(nóng)作物病蟲害可見光圖片，進(jìn)行預(yù)處理，然后用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，然后再用訓(xùn)練好的支持向量機(jī)模型對(duì)提取到的特征進(jìn)行分類，從而得到農(nóng)作物病蟲害的分類結(jié)果。

優(yōu)選地，步驟一所述的卷積神經(jīng)網(wǎng)絡(luò)的十八層網(wǎng)絡(luò)結(jié)構(gòu)如下：

第1層的層類型為卷積層，尺寸為11*11*3*64，步長4；

第2層的層類型為歸一化層；

第3層的層類型為激活層；

第4層的層類型為池化層，尺寸為3*3，步長3；

第5層的層類型為卷積層，尺寸為5*5*64*256，步長3；

第6層的層類型為歸一化層；

第7層的層類型為激活層；

第8層的層類型為池化層，尺寸為2*2，步長2；

第9層的層類型為卷積層，尺寸為3*3*256*256，步長2；

第10層的層類型為歸一化層；

第11層的層類型為激活層；

第12層的層類型為池化層，尺寸為2*2，步長2；

第13層的層類型為全連接層，尺寸為1*1*256*1024，步長1；

第14層的層類型為激活層；

第15層的層類型為全連接層，尺寸為1*1*1024*128，步長1；

第16層的層類型為激活層；

第17層的層類型為全連接層，尺寸為1*1*128*n，步長1；

第18層的層類型為分類層；

其中，第17層的全連接層中的n表示實(shí)際的分類數(shù)。

優(yōu)選地，步驟一所述利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)具有明確標(biāo)簽的可見光農(nóng)作物病蟲害圖像的特征進(jìn)行提取的過程包括以下步驟：

將具有明確標(biāo)簽的可見光農(nóng)作物病蟲害圖像輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的第15層所對(duì)應(yīng)的全連接層輸出128維特征，所述的128維特征就是提取到的特征。

優(yōu)選地，步驟二所述的支持向量機(jī)模型的參數(shù)如下：

核模型選用radialbasisfunction核，即rbf核；

rbf核參數(shù)γ為1000；

損失系數(shù)c為0.0001。

優(yōu)選地，所述卷積神經(jīng)網(wǎng)絡(luò)的所有激活層的激活函數(shù)的形式為g(x)＝max(0,x)，x為自變量。

優(yōu)選地，步驟一所述的可見光農(nóng)作物病蟲害圖像為jpeg格式的rgb彩色圖像。

優(yōu)選地，步驟一所述的預(yù)處理過程包括尺寸重定義、數(shù)據(jù)歸一化。

優(yōu)選地，所述的尺寸重定義的方式為重采樣，重采樣后圖片樣本的尺寸變?yōu)椋?24*224*3；其中，224、224分別為圖片樣本的寬和高，單位為像素，3表示原圖片仍為彩色圖像，擁有r、g、b三個(gè)通道。

優(yōu)選地，所述的數(shù)據(jù)歸一化包括以下步驟：

針對(duì)每幅圖像樣本的r、g、b三個(gè)通道，分別減去對(duì)應(yīng)通道下所有像素點(diǎn)數(shù)值的均值。

優(yōu)選地，步驟一所述的用可見光農(nóng)作物病蟲害圖像訓(xùn)練集的樣本進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)率在0.1-0.001的范圍內(nèi)選取。

本發(fā)明具有以下有益效果：

傳統(tǒng)的分類方法需要針對(duì)實(shí)際圖像樣本的特點(diǎn)，采取不同種類的特征提取方法，智能性較差，分類精度波動(dòng)較大。而本發(fā)明提出的分類方法，針對(duì)不同特征的圖像樣本均可以進(jìn)行智能化特征提取以及分類，能實(shí)現(xiàn)較高的分類精度，針對(duì)1865張不同農(nóng)作物病蟲害圖像訓(xùn)練樣本來說，利用1865張不同農(nóng)作物病蟲害圖像測試樣本進(jìn)行測試的分類精度能夠達(dá)到97.48％；并且，隨著圖片樣本數(shù)量的增加，分類精度還會(huì)有所提高。同時(shí)本發(fā)明分類精度波動(dòng)很小、穩(wěn)定性高。

附圖說明

圖1是卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖2是線性修正函數(shù)曲線圖。

具體實(shí)施方式

具體實(shí)施方式一：

一種農(nóng)作物病蟲害檢測方法，包括：

步驟一：將具有明確標(biāo)簽的可見光農(nóng)作物病蟲害圖像進(jìn)行預(yù)處理，得到預(yù)處理后的可見光農(nóng)作物病蟲害圖像，將預(yù)處理后的可見光農(nóng)作物病蟲害圖像分成訓(xùn)練集和測試集；

搭建十八層網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，用可見光農(nóng)作物病蟲害圖像訓(xùn)練集的樣本進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并用可見光農(nóng)作物病蟲害圖像測試集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)；

利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)具有明確標(biāo)簽的可見光農(nóng)作物病蟲害圖像的特征進(jìn)行提??；對(duì)提取到的特征和訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行存儲(chǔ)；

分類標(biāo)簽由大類和小類共同組成。大類標(biāo)簽主要指農(nóng)作物的種類，小類的標(biāo)簽主要指每種農(nóng)作物下，是否是健康植株，或者患某種疾病。比如：對(duì)于健康小麥的可見光圖片樣本，其標(biāo)簽為：小麥_健康；對(duì)于患有普通銹病的玉米的可見光圖片樣本，其標(biāo)簽為：玉米_普通銹病。

步驟二：利用從可見光農(nóng)作物病蟲害圖像提取到的特征和其對(duì)應(yīng)的可見光農(nóng)作物病蟲害圖像的分類標(biāo)簽訓(xùn)練支持向量機(jī)模型；

步驟三：針對(duì)新上傳的農(nóng)作物病蟲害可見光圖片，進(jìn)行預(yù)處理，然后用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，然后再用訓(xùn)練好的支持向量機(jī)模型對(duì)提取到的特征進(jìn)行分類，從而得到農(nóng)作物病蟲害的分類結(jié)果。

具體實(shí)施方式二：結(jié)合圖1說明本實(shí)施方式，

本實(shí)施方式步驟一所述的卷積神經(jīng)網(wǎng)絡(luò)的十八層網(wǎng)絡(luò)結(jié)構(gòu)如下表：

表1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

其中，第17層的全連接層中的n表示實(shí)際的分類數(shù)。

其他步驟和參數(shù)與具體實(shí)施方式一相同。

具體實(shí)施方式三：

本實(shí)施方式步驟一所述利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)具有明確標(biāo)簽的可見光農(nóng)作物病蟲害圖像的特征進(jìn)行提取的過程包括以下步驟：

將具有明確標(biāo)簽的可見光農(nóng)作物病蟲害圖像輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的第15層所對(duì)應(yīng)的全連接層輸出128維特征，所述的128維特征就是提取到的特征，也就是十八層卷積神經(jīng)網(wǎng)絡(luò)第15層輸出的特征。

其他步驟和參數(shù)與具體實(shí)施方式二相同。

具體實(shí)施方式四：

本實(shí)施方式步驟二所述的支持向量機(jī)模型的參數(shù)如下：

核模型選用radialbasisfunction核，即rbf核；

rbf核參數(shù)γ取值范圍為10至1000，

損失系數(shù)c取值范圍為0.0001至0.1。

其中分類效果最優(yōu)時(shí)γ取值為1000，c取值為0.0001；

其他步驟和參數(shù)與具體實(shí)施方式一至三之一相同。

具體實(shí)施方式五：

本實(shí)施方式所述卷積神經(jīng)網(wǎng)絡(luò)的所有激活層的激活函數(shù)的形式為g(x)＝max(0,x)，x為自變量；函數(shù)圖形如圖2所示，其中relu為激活層的類型，是激活函數(shù)的一種。

其他步驟和參數(shù)與具體實(shí)施方式一至四之一相同。

具體實(shí)施方式六：

本實(shí)施方式步驟一所述的可見光農(nóng)作物病蟲害圖像為jpeg格式的rgb彩色圖像。

其他步驟和參數(shù)與具體實(shí)施方式一至五之一相同。

具體實(shí)施方式七：

本實(shí)施方式步驟一所述的預(yù)處理過程包括尺寸重定義、數(shù)據(jù)歸一化。

所述的尺寸重定義的方式為重采樣，重采樣后圖片樣本的尺寸變?yōu)椋?24*224*3；其中，224、224分別為圖片樣本的寬和高，單位為像素，3表示原圖片仍為彩色圖像，擁有r、g、b三個(gè)通道；

所述的數(shù)據(jù)歸一化包括以下步驟：

針對(duì)每幅圖像樣本的r、g、b三個(gè)通道，分別減去對(duì)應(yīng)通道下所有像素點(diǎn)數(shù)值的均值，便于后續(xù)的訓(xùn)練。

在數(shù)據(jù)歸一化后還需要進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換，以便matlab下的matconvnet工具包進(jìn)行處理；

格式命名為：plantcnndataset.其格式的具體內(nèi)容如下：

其他步驟和參數(shù)與具體實(shí)施方式一至六之一相同。

具體實(shí)施方式八：

本實(shí)施方式步驟一所述的用可見光農(nóng)作物病蟲害圖像訓(xùn)練集的樣本進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)率在0.1-0.001的范圍內(nèi)選取。

學(xué)習(xí)率及訓(xùn)練次數(shù)視情況而定。學(xué)習(xí)率主要在0.1-0.001的范圍內(nèi)選取，剛開始訓(xùn)練時(shí)學(xué)習(xí)率選取可以較大，隨著訓(xùn)練次數(shù)不斷增加，學(xué)習(xí)率可以逐漸調(diào)小。

其他步驟和參數(shù)與具體實(shí)施方式一至七之一相同。

實(shí)施例：

支持向量機(jī)參數(shù)設(shè)置如下：

核模型：rbf核；rbf核參數(shù)γ為1000；損失系數(shù)c為0.0001。

按照本發(fā)明最具體的方案進(jìn)行實(shí)驗(yàn)，

表2農(nóng)作物病蟲害檢測樣本

其中，類別樣本數(shù)量為訓(xùn)練樣本數(shù)量和測試樣本數(shù)量的總和。

運(yùn)算結(jié)果：

測試樣本分類準(zhǔn)確的樣本數(shù)量為1818張，占1865的97.48％，也就是本發(fā)明測試樣本總分類準(zhǔn)確率為97.48％。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。