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)信息化的一項重要內(nèi)容，在近些年來越來越受到專家和學者的重視。農(nóng)作物病蟲害圖像智能識別技術(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)作物病蟲害識別上的應(yīng)用，成為替代傳統(tǒng)人工識別的技術(shù)手段，其對農(nóng)作物病蟲害識別具有傳統(tǒng)方法所不具備的快速性、準確性、實時性等特點。

目前的農(nóng)作物病蟲害圖像智能識別技術(shù)一般是通過各種分類算法實現(xiàn)的，但是各種分類算法均存在各自的優(yōu)點和缺點。目前的農(nóng)作物病蟲害圖像智能識別技術(shù)針對于一種農(nóng)作物的病蟲害進行分類的準確率一般能夠達到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。例如單一利用卷積神經(jīng)網(wǎng)絡(luò)進行分類是就嚴重依賴于卷積神經(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)對應(yīng)的效果(準確率)能夠達到90％左右，但是有的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對應(yīng)的分類效果(準確率)甚至達不到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)有的分類算法在訓練的時候僅能針對一種作物有效，一旦將不同農(nóng)作物病蟲害圖像作為樣本，則分類效果(準確率)明顯下降。

技術(shù)實現(xiàn)要素：

本發(fā)明為了解決現(xiàn)有的針對于農(nóng)作物病蟲害的智能檢測準確率不高的問題和分類精度波動大的問題，進而提出了一種農(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：將具有明確標簽的可見光農(nóng)作物病蟲害圖像進行預(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)作物病蟲害圖像訓練集的樣本進行卷積神經(jīng)網(wǎng)絡(luò)訓練，并用可見光農(nóng)作物病蟲害圖像測試集對卷積神經(jīng)網(wǎng)絡(luò)進行測試，得到訓練好的卷積神經(jīng)網(wǎng)絡(luò)；

利用訓練好的卷積神經(jīng)網(wǎng)絡(luò)對具有明確標簽的可見光農(nóng)作物病蟲害圖像的特征進行提??；對提取到的特征和訓練好的卷積神經(jīng)網(wǎng)絡(luò)進行存儲；

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應(yīng)的可見光農(nóng)作物病蟲害圖像的分類標簽訓練支持向量機模型；

步驟三：針對新上傳的農(nóng)作物病蟲害可見光圖片，進行預(yù)處理，然后用訓練好的卷積神經(jīng)網(wǎng)絡(luò)進行特征提取，然后再用訓練好的支持向量機模型對提取到的特征進行分類，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表示實際的分類數(shù)。

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

將具有明確標簽的可見光農(nóng)作物病蟲害圖像輸入訓練好的卷積神經(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三個通道。

優(yōu)選地，所述的數(shù)據(jù)歸一化包括以下步驟：

針對每幅圖像樣本的r、g、b三個通道，分別減去對應(yīng)通道下所有像素點數(shù)值的均值。

優(yōu)選地，步驟一所述的用可見光農(nóng)作物病蟲害圖像訓練集的樣本進行卷積神經(jīng)網(wǎng)絡(luò)訓練的學習率在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實際圖像樣本的特點，采取不同種類的特征提取方法，智能性較差，分類精度波動較大。而本發(fā)明提出的分類方法，針對不同特征的圖像樣本均可以進行智能化特征提取以及分類，能實現(xiàn)較高的分類精度，針對1865張不同農(nóng)作物病蟲害圖像訓練樣本來說，利用1865張不同農(nóng)作物病蟲害圖像測試樣本進行測試的分類精度能夠達到97.48％；并且，隨著圖片樣本數(shù)量的增加，分類精度還會有所提高。同時本發(fā)明分類精度波動很小、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。

具體實施方式

具體實施方式一：

一種農(nóng)作物病蟲害檢測方法，包括：

步驟一：將具有明確標簽的可見光農(nóng)作物病蟲害圖像進行預(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)作物病蟲害圖像訓練集的樣本進行卷積神經(jīng)網(wǎng)絡(luò)訓練，并用可見光農(nóng)作物病蟲害圖像測試集對卷積神經(jīng)網(wǎng)絡(luò)進行測試，得到訓練好的卷積神經(jīng)網(wǎng)絡(luò)；

利用訓練好的卷積神經(jīng)網(wǎng)絡(luò)對具有明確標簽的可見光農(nóng)作物病蟲害圖像的特征進行提??；對提取到的特征和訓練好的卷積神經(jīng)網(wǎng)絡(luò)進行存儲；

分類標簽由大類和小類共同組成。大類標簽主要指農(nóng)作物的種類，小類的標簽主要指每種農(nóng)作物下，是否是健康植株，或者患某種疾病。比如：對于健康小麥的可見光圖片樣本，其標簽為：小麥_健康；對于患有普通銹病的玉米的可見光圖片樣本，其標簽為：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應(yīng)的可見光農(nóng)作物病蟲害圖像的分類標簽訓練支持向量機模型；

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

具體實施方式二：結(jié)合圖1說明本實施方式，

本實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表示實際的分類數(shù)。

其他步驟和參數(shù)與具體實施方式一相同。

具體實施方式三：

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

將具有明確標簽的可見光農(nóng)作物病蟲害圖像輸入訓練好的卷積神經(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)與具體實施方式二相同。

具體實施方式四：

本實施方式步驟二所述的支持向量機模型的參數(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γ取值為1000，c取值為0.0001；

其他步驟和參數(shù)與具體實施方式一至三之一相同。

具體實施方式五：

本實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)與具體實施方式一至四之一相同。

具體實施方式六：

本實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)與具體實施方式一至五之一相同。

具體實施方式七：

本實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三個通道；

所述的數(shù)據(jù)歸一化包括以下步驟：

針對每幅圖像樣本的r、g、b三個通道，分別減去對應(yīng)通道下所有像素點數(shù)值的均值，便于后續(xù)的訓練。

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

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)與具體實施方式一至六之一相同。

具體實施方式八：

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

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

其他步驟和參數(shù)與具體實施方式一至七之一相同。

實施例：

支持向量機參數(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)明最具體的方案進行實驗，

表2農(nóng)作物病蟲害檢測樣本

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

運算結(jié)果：

測試樣本分類準確的樣本數(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確率為97.48％。

以上所述僅為本發(fā)明的較佳實施例而已，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、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。