CN109800806A - 一种基于深度学习的农作物病害检测算法 - Google Patents
一种基于深度学习的农作物病害检测算法 Download PDFInfo
- Publication number
- CN109800806A CN109800806A CN201910034484.4A CN201910034484A CN109800806A CN 109800806 A CN109800806 A CN 109800806A CN 201910034484 A CN201910034484 A CN 201910034484A CN 109800806 A CN109800806 A CN 109800806A
- Authority
- CN
- China
- Prior art keywords
- image
- corps diseases
- learning
- model
- training
- 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.)
- Pending
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 37
- 208000031968 Cadaver Diseases 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000013526 transfer learning Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims abstract description 5
- 230000000644 propagated effect Effects 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims 2
- 230000005012 migration Effects 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 10
- 201000010099 disease Diseases 0.000 abstract description 6
- 208000024891 symptom Diseases 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学***衡的问题,该算法对病状相近的病害具有更好的检测性能。
Description
技术领域
本发明涉及图像分类领域,具体涉及了一种基于深度学习的农作物病害检测算法。
背景技术
早先的图像分类主要通过传统的机器学习的方法,通常分为两个部分:基于特征提取方法和基于模板匹配的方法,这些方法都需要人为地选择特征,同时泛化性不强。随着深度学习的发展,特别是卷积神经网络在图像分类、图像检测和图像分割等方面的应用,所取得的效果是过往使用传统算法无法比拟的。农作物病害诊断对于农业生产来说是至关重要的,通过智能化的手段对病害种类进行检测能够提高农民对病害的认识以及采用相应的措施进行防治,提高农业生产。
发明内容
农作物病害存在着类别间数量不平衡的问题以及个别病害间过于相似的问题,为了解决这些难题,本发明提出了一种基于深度学习的农作物病害检测算法。
为了实现以上目的,本发明提出的方法具体步骤如下:
(1)图像采集,利用摄像头对农作物叶子进行拍摄,获取相关的数据集并对图像重命名,如1.jpg,2.jpg,3.jpg,…,M.jpg等,同时标定每张图像中农作物病害种类;
(2)图像划分,将图像划分成训练集和测试集两部分,两个部分不存在相同的图像,训练集用来训练农作物病害检测模型,测试集用来评估农作物病害检测模型的性能;
(3)图像预处理,统计各类图像的数量并对数量较少的图像进行过采样,对全部图像都进行线上数据增强,包括随机灰度化、左右翻转、上下翻转、对角线翻转、随机裁剪和亮度变化;
(4)训练检测模型,将经过图像预处理后的训练集图像通过有差异性学习速率的迁移学习和以Focal Loss为损失函数的自适应多尺度resnet50网络,对得到的预测结果与真实标签进行对比计算分类损失,通过带动量的梯度下降算法更新模型参数;
(5)农作物病害图像检测,将测试集中的图像输入到训练好的农作物病害检测模型中,通过前向传播得到该图像的农作物病害类型。
所述步骤(4)中训练包括有差异性学***均池化的步骤、自适应多尺度图像训练的步骤、渐进式学习步骤、计算Focal Loss步骤和利用带动量的梯度下降算法反向传播训练模型步骤。
如图1所示,所述步骤(4)具体为:
(4.1)如图2所示,利用在ImageNet数据集上训练的模型初始化检测网络的参数,同时浅层的卷积网络中使用较小的学习速率进行学习,较深层的卷积网络中使用较大的学习速率进行学习,最后的全连接层使用更大的学习速率进行学习,即采用一种差异性学习速率的迁移学习;
(4.2)如图3所示,在卷积层最后使用全局最大池化层和全局平均池化层进行连结,通过这种方式使得模型具有自适应多尺寸特性,可以输入不同尺寸的图像进行训练;
(4.3)如图4所示,采用渐进式学习方式,即在初始的几个迭代周期使用分辨率较小的图像进行训练,接下来几个迭代周期使用分辨率较大的图像进行训练,最后的几个迭代周期使用分辨率更大的图像进行训练;
(4.4)输入图像通过前向传播得到预测的类别,预测的类别与真实的类别对比计算Focal Loss,并通过带动量的梯度下降算法反向传播更新模型参数。
所述步骤(5)具体为:将测试集中的农作物病害图像输入到训练好的检测模型中,通过前向传播获得该图像的病害类型。
与现有技术相比,本发明的有益效果是:
本发明的方法相比其他算法使用了差异性学***衡的问题,该算法对病状相近的病害具有更好的检测性能。
附图说明
图1为农作物病害检测模型示意图
图2为差异性学习速率的迁移学习示意图
图3为连结两种全局池化层示意图
图4为渐进式学习策略示意图
图5为本专利算法与传统算法的性能比较柱状图
具体实施方式
下面对本发明进行进一步说明。
本发明实施过程及实施例如下:
(1)图像采集,我们采用摄像头对农作物叶子进行拍摄获取相关数据集,每张图像中只有1片叶子,对图像进行重命名,如1.jpg,2.jpg,3.jpg,…,30000.jpg等,同时标定每张图像中农作物病害的类型,一共包括61种农作物病害;
(2)图像划分,将图像划分成训练集和测试集两部分,训练集用于训练检验模型,测试集用于评估检测模型性能,其中训练集包括25460张图像,测试集包括4540张图像;
(3)图像预处理,对训练集中的农作物病害类型进行数量统计,对其中数量少于420张的病害类型进行中心裁剪和随机裁剪等过采样的方式将其数量增加到420张。对处理好的训练集进行线上数据增强,包括随机灰度化、左右翻转、上下翻转、对角线翻转、随机裁剪和亮度变化;
(4)训练检验模型,如图1所示,对resnet50模型的前3个卷积块使用较小的学***均池化层和全局最大池化层进行连结,使用渐进式的学习策略,最后使用Focal Loss作为损失函数,利用带动量的梯度下降算法训练模型;
具体实施中,动量设置为0.9,每次输进10张图像,每2546步为1个迭代周期,共设置50个迭代周期;前30个迭代周期,resnet50模型的前3个卷积块使用0.00001的学习速率进行学习,对后2个卷积块使用0.0001的学习速率进行学习,对最后的全连接层使用0.001的学习速率进行学习,在第30个迭代周期和第40个迭代周期,前面的学习速率分别降低10倍;在前30个迭代周期中输入图像的尺寸为256*256,在第31个迭代周期到第40个迭代周期输入图像的尺寸为350*350,在最后10个迭代周期中输入图像的尺寸为420*420;在FocalLoss函数中α设置为0.25,β设置为2;训练结束后,保存模型的参数。
(5)农作物病害图像检测,将测试集中的图像输入到训练好的农作物病害检测模型中,通过前向传播得到该图像的农作物病害类型。
本实施例最后在测试集上进行测试,图5展示了本专利的算法,即改进的resnet50与原resnet50在测试集上的测试结果,可以看到本专利的算法可以带来近2%的性能提升,同时本专利的算法具有更好的泛化性且训练时候收敛速度更快。
Claims (4)
1.一种基于深度学习的农作物病害检测算法,其特征在于,包括如下步骤:
(1)图像采集,利用摄像头对农作物叶子进行拍摄,获取相关的数据集并对图像重命名,如1.jpg,2.jpg,3.jpg,…,M.jpg等,同时标定每张图像中农作物病害种类;
(2)图像划分,将图像划分成训练集和测试集两部分,两个部分不存在相同的图像,训练集用来训练农作物病害检测模型,测试集用来评估农作物病害检测模型的性能;
(3)图像预处理,统计各类图像的数量并对数量较少的图像进行过采样,对全部图像都进行线上数据增强,包括随机灰度化、左右翻转、上下翻转、对角线翻转、随机裁剪和亮度变化;
(4)训练检测模型,将经过图像预处理后的训练集图像通过有差异性学习速率的迁移学习和以Focal Loss为损失函数的自适应多尺度resnet50网络,对得到的预测结果与真实标签进行对比计算分类损失,通过带动量的梯度下降算法更新模型参数;
(5)农作物病害图像检测,将测试集中的图像输入到训练好的农作物病害检测模型中,通过前向传播得到该图像的农作物病害类型。
2.根据权利要求1所述的一种基于深度学习的农作物病害检测算法,其特征是:
所述步骤(4)中训练包括有差异性学***均池化的步骤、自适应多尺度图像训练的步骤、渐进式学习步骤、计算Focal Loss步骤和利用带动量的梯度下降算法反向传播训练模型步骤。
3.根据权利要求2所述的一种基于深度学习的农作物病害检测算法,其特征是:所述步骤(4)具体为:
(4.1)利用在ImageNet数据集上训练的模型初始化检测网络的参数,同时浅层的卷积网络中使用较小的学习速率进行学习,较深层的卷积网络中使用较大的学习速率进行学习,最后的全连接层使用更大的学习速率进行学习,即采用一种差异性学习速率的迁移学习;
(4.2)在卷积层最后使用全局最大池化层和全局平均池化层进行连结,通过这种方式使得模型具有自适应多尺寸特性,可以输入不同尺寸的图像进行训练;
(4.3)采用渐进式学习方式,即在初始的几个迭代周期使用分辨率较小的图像进行训练,接下来几个迭代周期使用分辨率较大的图像进行训练,最后的几个迭代周期使用分辨率更大的图像进行训练;
(4.4)输入图像通过前向传播得到预测的类别,预测的类别与真实的类别对比计算Focal Loss,并通过带动量的梯度下降算法反向传播更新模型参数。
4.根据权利要求1所述的一种基于深度学习的农作物病害检测算法,其特征是,所述步骤(5)具体为:将测试集中的农作物病害图像输入到训练好的检测模型中,通过前向传播获得该图像的病害类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910034484.4A CN109800806A (zh) | 2019-01-14 | 2019-01-14 | 一种基于深度学习的农作物病害检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910034484.4A CN109800806A (zh) | 2019-01-14 | 2019-01-14 | 一种基于深度学习的农作物病害检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800806A true CN109800806A (zh) | 2019-05-24 |
Family
ID=66558906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910034484.4A Pending CN109800806A (zh) | 2019-01-14 | 2019-01-14 | 一种基于深度学习的农作物病害检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800806A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
CN110659573A (zh) * | 2019-08-22 | 2020-01-07 | 北京捷通华声科技股份有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
CN111444923A (zh) * | 2020-04-13 | 2020-07-24 | 中国人民解放军国防科技大学 | 自然场景下图像语义分割方法和装置 |
CN111881987A (zh) * | 2020-07-31 | 2020-11-03 | 西安工业大学 | 基于深度学习的苹果病毒识别方法 |
CN113516647A (zh) * | 2021-07-27 | 2021-10-19 | 山东浪潮科学研究院有限公司 | 微型真菌类作物病害检测方法 |
CN115587296A (zh) * | 2021-07-05 | 2023-01-10 | 中国矿业大学(北京) | 一种基于迁移学习分步识别的农作物病害自动识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611169A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于深度学习的危险驾驶行为实时检测方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN108363961A (zh) * | 2018-01-24 | 2018-08-03 | 东南大学 | 基于卷积神经网络间迁移学习的桥梁支座病害识别方法 |
CN108549899A (zh) * | 2018-03-07 | 2018-09-18 | ***股份有限公司 | 一种图像识别方法及装置 |
CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
CN109035242A (zh) * | 2018-08-09 | 2018-12-18 | 长安大学 | 一种基于深度学习的hf-erw焊接状态检测方法及装置 |
-
2019
- 2019-01-14 CN CN201910034484.4A patent/CN109800806A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611169A (zh) * | 2016-12-31 | 2017-05-03 | 中国科学技术大学 | 一种基于深度学习的危险驾驶行为实时检测方法 |
CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
CN108363961A (zh) * | 2018-01-24 | 2018-08-03 | 东南大学 | 基于卷积神经网络间迁移学习的桥梁支座病害识别方法 |
CN108549899A (zh) * | 2018-03-07 | 2018-09-18 | ***股份有限公司 | 一种图像识别方法及装置 |
CN108710919A (zh) * | 2018-05-25 | 2018-10-26 | 东南大学 | 一种基于多尺度特征融合深度学习的裂缝自动化勾画方法 |
CN109035242A (zh) * | 2018-08-09 | 2018-12-18 | 长安大学 | 一种基于深度学习的hf-erw焊接状态检测方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
CN110659573A (zh) * | 2019-08-22 | 2020-01-07 | 北京捷通华声科技股份有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
CN110659573B (zh) * | 2019-08-22 | 2021-03-09 | 北京捷通华声科技股份有限公司 | 一种人脸识别方法、装置、电子设备及存储介质 |
CN111444923A (zh) * | 2020-04-13 | 2020-07-24 | 中国人民解放军国防科技大学 | 自然场景下图像语义分割方法和装置 |
CN111881987A (zh) * | 2020-07-31 | 2020-11-03 | 西安工业大学 | 基于深度学习的苹果病毒识别方法 |
CN115587296A (zh) * | 2021-07-05 | 2023-01-10 | 中国矿业大学(北京) | 一种基于迁移学习分步识别的农作物病害自动识别方法 |
CN113516647A (zh) * | 2021-07-27 | 2021-10-19 | 山东浪潮科学研究院有限公司 | 微型真菌类作物病害检测方法 |
CN113516647B (zh) * | 2021-07-27 | 2023-06-13 | 山东浪潮科学研究院有限公司 | 微型真菌类作物病害检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800806A (zh) | 一种基于深度学习的农作物病害检测算法 | |
Suryawati et al. | Deep structured convolutional neural network for tomato diseases detection | |
CN109508655A (zh) | 基于孪生网络的不完备训练集的sar目标识别方法 | |
CN109522855B (zh) | 结合ResNet和SENet的低分辨率行人检测方法、***及存储介质 | |
CN110490906A (zh) | 一种基于孪生卷积网络和长短期记忆网络的实时视觉目标跟踪方法 | |
CN110378435A (zh) | 一种基于卷积神经网络的苹果叶片病害识别的方法 | |
CN111696101A (zh) | 一种基于SE-Inception的轻量级茄科病害识别方法 | |
CN107122798A (zh) | 基于深度卷积网络的引体向上计数检测方法及装置 | |
CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割***及方法 | |
Xu et al. | Recurrent convolutional neural network for video classification | |
CN109117877A (zh) | 一种基于深度卷积生成对抗网络的黄颡鱼及其套养种识别方法 | |
CN114972208B (zh) | 一种基于YOLOv4的轻量化小麦赤霉病检测方法 | |
CN111666897A (zh) | 基于卷积神经网络的斑石鲷个体识别方法 | |
Tang et al. | Pest-YOLO: Deep image mining and multi-feature fusion for real-time agriculture pest detection | |
CN107273815A (zh) | 一种个体行为识别方法及*** | |
CN107491733A (zh) | 一种基于深度神经网络的菊花识别方法 | |
CN113344077A (zh) | 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法 | |
CN116597224A (zh) | 基于改进yolo v8网络模型的马铃薯缺陷检测方法 | |
CN115631462A (zh) | 基于am-yolox的草莓病虫害检测方法及*** | |
CN108898076A (zh) | 一种视频行为时间轴定位及候选框提取的方法 | |
Rahman et al. | Deepgrip: cricket bowling delivery detection with superior cnn architectures | |
CN110659680A (zh) | 一种基于多尺度卷积的图像patch匹配方法 | |
Luo et al. | Citrus Diseases and Pests Detection Model Based on Self-Attention YOLOV8 | |
CN114677553B (zh) | 一种解决农作物病虫害样本不均衡问题的图像识别方法 | |
Lwin et al. | Image Classification for Rice Leaf Disease Using AlexNet Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190524 |
|
WD01 | Invention patent application deemed withdrawn after publication |