CN111833311A - 基于深度学习的图像识别方法及在水稻病害识别上的应用 - Google Patents
基于深度学习的图像识别方法及在水稻病害识别上的应用 Download PDFInfo
- Publication number
- CN111833311A CN111833311A CN202010561990.1A CN202010561990A CN111833311A CN 111833311 A CN111833311 A CN 111833311A CN 202010561990 A CN202010561990 A CN 202010561990A CN 111833311 A CN111833311 A CN 111833311A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- network
- trained
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 70
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 70
- 238000013135 deep learning Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 62
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 41
- 235000009566 rice Nutrition 0.000 title claims abstract description 41
- 240000007594 Oryza sativa Species 0.000 title abstract 2
- 238000012549 training Methods 0.000 claims abstract description 73
- 230000003321 amplification Effects 0.000 claims abstract description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 5
- 241000209094 Oryza Species 0.000 claims description 39
- 238000011176 pooling Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000004904 shortening Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 206010035148 Plague Diseases 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 206010039509 Scab Diseases 0.000 description 3
- 230000001580 bacterial effect Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 240000006240 Linum usitatissimum Species 0.000 description 2
- 235000004431 Linum usitatissimum Nutrition 0.000 description 2
- 244000000231 Sesamum indicum Species 0.000 description 2
- 235000003434 Sesamum indicum Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000007215 black sesame Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的图像识别方法及在水稻病害识别上的应用，包括：获取包含目标对象的图像训练集；采用图像扩增和图像对比度调整对训练集图像进行数据增强处理；获取训练完成的深度学习网络，所述训练完成的深度学习网络通过图像训练集和构造的待训练深度学习网络经过训练获得，所述待训练深度学习网络的构造和训练基于辅助模型实现；获取待进行识别的图像，进行图像中目标对象的识别，本发明在深度学习网络的搭建和训练过程采用辅助模型来完成，利用已有的基于大数据集训练完成的网络模型，选择其中的部分权重参数和网络层搭建待训练网络模型，并通过输入图像训练集进行网络微调训练，显著缩短训练时间和提高分类准确度。
Description
技术领域
本发明涉及图像识别领域，具体涉及基于深度学习的图像识别方法及在水稻病害识别上的应用。
背景技术
水稻病害的诊断和识别对于提高水稻质量具有重要的意义。将图像处理和机器视觉技术应用于水稻病害识别中，相对于传统人工诊断和识别方法具有无法比拟的优越性，提高了农作物病害监测和预警的能力。
基于图像识别的水稻病害识别过程中，遇到的问题包括：
(1)水稻病害图像的背景信息量巨大，对图像中目标区域的分割过程带来困难；
(2)水稻病害种类多种多样，同一生长时期，病害种类和病害位置不同。不同生产时期，同一种类病害的形状、颜色等特征也不同，水稻病害特征多变、病害关联度高和病害复杂度高，采用深度学习网络模型训练识别的过程，增加了计算量和建模工作量，降低了识别速度；
(3)采用深度学习网络模型过程中，需要大量的水稻病害图像进行训练以达到识别准确率，但是目前水稻病害图像没有如此庞大数量的数据集，不能够达到理想的分类效果。
发明内容
针对上述现有技术存在的问题，本发明提供了基于深度学习的图像识别方法，包括：
(11)获取包含目标对象的图像训练集，所述训练集中的图像携带标注数据；
(12)采用图像扩增和图像对比度调整对训练集图像进行数据增强处理；
(13)获取训练完成的深度学习网络，所述训练完成的深度学习网络通过图像训练集和构造的待训练深度学习网络经过训练获得，所述待训练深度学习网络的构造和训练基于辅助模型实现；
(14)获取待进行识别的图像，预处理后输入训练完成的深度学习网络，获取图像中目标对象的识别结果。
作为上述方案的进一步优化，所述辅助模型的选择方法为辅助模型的任务领域和图像训练集的训练任务领域相同且辅助模型的数据集与图像训练集的相似度满足第二预设阈值区间。
作为上述方案的进一步优化，所述辅助模型的数据集与图像训练集的相似度采用最大均值差异算法MMD获取。
作为上述方案的进一步优化，所述辅助模型的类型采用深度卷积网络。
作为上述方案的进一步优化，待训练深度学习网络的构造和训练基于辅助模型实现的方法为：
(41)获取辅助模型的隐藏层和隐藏层权重参数；
(42)将辅助模型的卷积层和池化层及其对应层的权重参数迁移到待训练深度学习网络；
(43)在待训练深度学习网络中的池化层加入一层空间金字塔池化层，将所有空间金字塔池化层输出融合后连接到全连接层，所述全连接层采用3层；
(44)固定待训练深度学习网络的卷积层和池化层的权重参数，将图像训练集输入待训练深度学习网络进行全连接层的权重参数训练；
(45)当网络模型的输出值和输入值对应的标注数据的差异性小于第一预设值时，取消对网络参数的固定，进行全网络层权重参数的微调；
(46)当网络模型的输出值和输入值对应的标注数据的差异性小于第二预设值时或迭代次数达到最大预设值，停止训练过程。
作为上述方案的进一步优化，所述全连接层采用3层，每层全连接层采用了L2正则化和Dropout方法。
作为上述方案的进一步优化，所述网络模型的输出值和输入值对应的标注数据的差异性采用交叉熵函数度量，在训练过程中，每次输出根据交叉熵数值进行反向传播调整各层的权重参数，调整方法采用adam算法。
作为上述方案的进一步优化，所述图像扩增方法包括：
改变图像训练集中的图像的视角，先将图像随机从旋转角度为0，90，180，270选择一种，然后对输入图像随机选择翻转反向为沿x轴或沿y轴翻转；
改变图像的大小，先将图像随机从高度和宽度裁剪0.1-0.4，然后将整体图像进行随机大小缩放0.2。
作为上述方案的进一步优化，所述图像对比度调整采用将原始图像的像素值分布非线性转换到第一预设阈值区间的均匀分布，非线性变换公式：
式中，Gout为变换后每个像素点的像素值，Gin为原始像素值，Gexmin和Gexmax为为第一预设阈值区间的下限和上限，Gmin和Gmax分别是RGB颜色空间平均最小像素值和最大像素值，其计算公式如下：
Gmin＝(Gmin＝(Rmin+Gmin+Bmin)/3，Gmax＝(Rmax+Gmax+Bmax)/3。
本发明还提供了上述的基于深度学习的图像识别方法在水稻病害识别上的应用，所述图像训练集的图像包括不同种类的病害图像、同一种类病害不同生长时期图像和不同水稻区域的同一种类病害图像。
本发明的基于深度学习的图像识别方法及在水稻病害识别上的应用，具备如下有益效果：
1.本发明的基于深度学习的图像识别方法及在水稻病害识别上的应用，适用于图像样本量小且样本背景复杂的识别任务，在深度学习网络的搭建和训练过程采用辅助模型来完成，利用已有的训练完成的基于大数据集训练完成的网络模型，选择其中的部分或全部权重参数和网络层搭建待训练网络模型，并通过输入图像训练集进行网络微调训练，显著缩短训练时间和提高分类准确度，并且基于水稻病害图像在田间采集图像的病害图像复杂背景以及考虑，采用了图像对比度调整对训练集图像进行数据增强处理，便于后续在深度神经网络中实现对图像中目标区域和背景区域的分割，实现对水稻白叶枯病、稻曲病、稻瘟病、胡麻叶斑病四种病害的识别效果。
2.本发明的基于深度学习的图像识别方法及在水稻病害识别上的应用，在待训练深度学习网络中的池化层加入一层空间金字塔池化层，将所有空间金字塔池化层输出融合后连接到全连接层，池化层采用不同尺寸大小，使提取的图像特征具有多尺度性，实现对水稻病害的多尺度特征提取，提高病害识别准确度。
附图说明
图1为本发明的基于深度学习的图像识别方法及在水稻病害识别上的应用的整体流程框图；
图2为本发明的基于深度学习的图像识别方法及在水稻病害识别上的应用的待训练深度学习网络的构建方法流程框图；
图3为本发明的基于深度学习的图像识别方法及在水稻病害识别上的应用的待训练深度学习网络的训练方法流程框图。
具体实施方式
下面结合具体实施例和附图对本发明的技术方案进一步说明。
本发明提供了基于深度学习的图像识别方法，将该方法应用在水稻病害识别上，步骤包括：
(11)获取包含目标对象的图像训练集，所述训练集中的图像携带标注数据，采用的图像包括不同种类的病害图像、同一种类病害不同生长时期图像和不同水稻区域的同一种类病害图像，本实施例中研究的病害包括白叶枯病、稻曲病、稻瘟病、胡麻叶斑病四种，以下是这4种病害病斑的特点：
(1)白叶枯病：病斑常出现在叶尖和叶缘部位，之后在叶缘侧发展或者沿着叶片中部发展，为长条状病斑呈黄白或灰白色，形状为波纹，病叶两侧向中部弯曲；
(2)稻曲病：发病部位为穗部，主要影响谷粒，病害谷粒中有菌丝，增长后菌丝块变大，随后破裂，有肉眼可见的黄色块状物；
(3)稻瘟病：危害部位较多且危害时期较长，因危害时间及位置不同可分为3苗瘟、叶瘟、节瘟、穗颈瘟、谷粒瘟。染病水稻苗基部呈灰或黑色，上端变成灰褐色，后卷缩死亡；
(4)胡麻叶斑病：危害时期较长，从水稻苗到成熟水稻都有可能染病，病斑在叶片上较为明显，形状是类芝麻大小的圆点或椭圆斑，呈褐色状。秧苗期染病时易死亡；成熟稻染病时，由褐色小斑逐渐增大，呈大椭圆状。病斑生长到后期时，中间一块呈灰白色，周围一圈呈褐色，外圈为淡黄色，病斑较多时可能相连成一块斑。
(12)采用图像扩增和图像对比度调整对训练集图像进行数据增强处理；
实际问题中我们需要识别具有不用场景和视角的图片，为了使图像中的物体发生移位时、物体的视角发生变化时、图像的大小变化时、图片的亮度和照明变化时(或者它们的组合)，CNN模型都能稳定的分辨它们，对图像数据集中的图像进行微小调整得到扩增数据，使得CNN模型对一些图片的微小变化具有不变性，提高模型的泛化能力；
病斑与背景的反差小，则对比度差，如果病斑与背景的反差大，则对比度大。考虑到如果病害图像的对比度相差不大会增加后续处理的难度，所以需要增强图像的对比度，加强病斑细节和轮廓，使得图像效果得到改善，且后续在卷积网络中进行病斑分割和特征提取更易于操作；
其中，图像扩增方法包括：
改变图像训练集中的图像的视角，先将图像随机从旋转角度为0，90，180，270选择一种，然后对输入图像随机选择翻转反向为沿x轴或沿y轴翻转；
改变图像的大小，先将图像随机从高度和宽度裁剪0.1-0.4，然后将整体图像进行随机大小缩放0.2。
本实施例中的图像对比度调整采用基于颜色空间图像增强算法，具体的，采用将原始图像的像素值分布非线性转换到第一预设阈值区间的均匀分布，非线性变换公式：
式中，Gout为变换后每个像素点的像素值，Gin为原始像素值，Gexmin和Gexmax为第一预设阈值区间的下限和上限，Gmin和Gmax分别是RGB颜色空间平均最小像素值和最大像素值，其计算公式如下：
Gmin＝(Gmin＝(Rmin+Gmin+Bmin)/3，Gmax＝(Rmax+Gmax+Bmax)/3。
在本实施例中，第一预设阈值采用(90,255)，使得原始图像的像素值分布比较集中的某个灰度像素值区间，尽可能地覆盖[0,255]全部范围，通过此方法可以分别对R，G，B3个颜色通道进行自动对比度拉伸，再将得到的结果合成，从而完成在RGB颜色空间下的增强图像。
(13)获取训练完成的深度学习网络，所述训练完成的深度学习网络通过图像训练集和构造的待训练深度学习网络经过训练获得的，所述待训练深度学习网络的构造和训练基于辅助模型实现；
考虑到目前水稻病害图像没有庞大数量的数据集，直接采用神经网络进行训练，不能够达到理想的分类效果，采用迁移学习，利用基于大数据集训练完成的网络模型，进行权重参数和网络模型微调，进行训练，缩短训练时间和提高分类准确度，具体的，本实施例中，辅助模型的选择方法为辅助模型的任务领域和图像训练集的训练任务领域相同且辅助模型的数据集与图像训练集的相似度满足第二预设阈值区间，即[α，β],该相似度计算采用最大均值差异算法MMD获取，当MMD较小，小于α值时表明，辅助模型的数据集与图像训练集的分布相近，可以直接利用训练完善的辅助模型直接进行图像识别，一般的，源领域与目标领域分布会有一定的差异，即MMD高于设定的阈值α，但未超过阈值β，则网络需要加入或替换新的隐藏层，以供目标领域模型学习新的知识。但是，如果MMD过大，超过阈值β，说明源领域和目标领域数据分布差异过大，会导致负迁移现象，此任务不适合迁移学习或需要更换源领域数据模型，此处阈值α、β的设定的依据是多次实际实验的结果，本申请中，采用相似度满足第二预设阈值区间[α，β]的辅助模型，可以达到既能保留辅助模型数据集信息又吸收待训练数据集信息的目的。
另外，由于病害识别一般是指对叶片或者其它部位的病斑进行识别，因此基于机器学习的病害识别过程一般包括：原始图像预处理、图像病斑分割、病斑特征提取、病斑种类识别。
针对田间复杂背景下水稻病害图像，水稻病害图像中各个病斑类别属于细粒度类别，各病斑之间的特征差距不是很大，容易受到光照、背景和位置等因素的影响，需要研究一套更准确、更高效的图像分割方法，由于水稻病害的识别是在复杂的大田环境下进行的，并且作物病害症状多种多样，水稻图像可能出现叶片之间重叠、叶片破损的情况，因此图像分割过程相对困难，所以本申请中使用卷积神经网络算法进行水稻病害的识别，卷积神经网络无需图像分割的处理过程。
在本申请中，图像特征的提取同样采用卷积神经网络，通过CNN模型逐层提取图像的各种视觉特征并进行组合，CNN具有较强的特征提取能力，CNN的前面的网络层可以实现浅层可视化特征的自动提取，如：边缘、颜色、形状等，随着层数的增加，CNN的强特征提取能力开始增强，最后可形成抽象的高级表示的组合特征，对于水稻病害的特征提取更为准确。
而且卷积神经网络CNN结构，采用局部连接和参数共享的策略，能够有效减少网络的参数量，大大加快网络的训练速度。
基于上述，本实施例中的辅助模型的类型采用深度卷积网络，以便将辅助模型的深度卷积网络结构迁移到待训练深度学习网络，进行图像分割和特征提取。
待训练深度学习网络的构造和训练基于辅助模型实现的方法为：
(41)获取辅助模型的隐藏层和隐藏层权重参数；
(42)将辅助模型的卷积层和池化层及其对应层的权重参数迁移到待训练深度学习网络；
(43)在待训练深度学习网络中的池化层加入一层空间金字塔池化层，将所有空间金字塔池化层输出融合后连接到全连接层，全连接层采用3层；本实施例中的空间金字塔池化层使用的尺度不同，实现待训练深度学习网络可以输入任意尺寸的图像，并产生固定大小的输出，不需要对输入图像进行尺寸归一化处理，避免了输入图像进行尺寸归一化时造成的特征损失，提高了特征提取的有效性以及提高了网络模型识别的准确率。
采用不同尺寸大小，使提取的图像特征具有多尺度性，实现对水稻病害的多尺度特征提取，提高病害识别准确度；
(44)固定待训练深度学习网络的卷积层和池化层的权重参数，将图像训练集输入待训练深度学习网络进行全连接层的权重参数训练；
(45)当网络模型的输出值和输入值对应的标注数据的差异性小于第一预设值时，取消对网络参数的固定，进行全网络层权重参数的微调；
(46)当网络模型的输出值和输入值对应的标注数据的差异性小于第二预设值时或迭代次数达到最大预设值，停止训练过程，当然，在训练过程中，差异性是逐渐减小的。
其中，全连接层采用3层，为了防止过拟合，全连接层在原有损失函数中加入了L2正则化，并在每一层全连接层中采用Dropout方法，训练过程中，通过预定义的概率随机地选择输入层或者隐含层中的一部分神经元将权重置为0，即将这部分神经元丢弃，然后将非丢弃神经元拉伸。然后继续按照神经网络的学习方法进行参数更新，在下一次的迭代中，重新随机删除一些神经元，直到训练结束。网络模型的输出值和输入值对应的标注数据的差异性采用交叉熵函数度量，在上述基础上，本实施例的网络模型的差异性度量公式为交叉熵函数加L2正则化。
在训练过程中，每次输出根据交叉熵数值进行反向传播调整各层的权重参数，考虑在步骤(45)中，当网络模型的输出值和输入值对应的标注数据的差异性小于第一预设值时，取消对网络参数的固定，进行全网络层权重参数的微调，该过程的学习率要大于步骤(46)中的学习率，为了方便对两次学习率合理设置，调整方法采用adam算法。
针对本实施例中，对于白叶枯病、稻曲病、稻瘟病、胡麻叶斑病四种病害的识别任务，在最后添加了一个4个节点的输出层。
最后，(14)获取待进行识别的图像，预处理后输入训练完成的深度学习网络，获取图像中目标对象的识别结果。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。
Claims (10)
1.基于深度学习的图像识别方法，其特征在于：包括：
(11)获取包含目标对象的图像训练集，所述训练集中的图像携带标注数据；
(12)采用图像扩增和图像对比度调整对训练集图像进行数据增强处理；
(13)获取训练完成的深度学习网络，所述训练完成的深度学习网络通过图像训练集和构造的待训练深度学习网络经过训练获得，所述待训练深度学习网络的构造和训练基于辅助模型实现；
(14)获取待进行识别的图像，预处理后输入训练完成的深度学习网络，获取图像中目标对象的识别结果。
2.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于：所述辅助模型的选择方法为辅助模型的任务领域和图像训练集的训练任务领域相同且辅助模型的数据集与图像训练集的相似度满足第二预设阈值区间。
3.根据权利要求2所述的基于深度学习的图像识别方法，其特征在于：所述辅助模型的数据集与图像训练集的相似度采用最大均值差异算法MMD获取。
4.根据权利要求3所述的基于深度学习的图像识别方法，其特征在于：所述辅助模型的类型采用深度卷积网络。
5.根据权利要求4所述的基于深度学习的图像识别方法，其特征在于：待训练深度学习网络的构造和训练基于辅助模型实现的方法为：
(41)获取辅助模型的隐藏层和隐藏层权重参数；
(42)将辅助模型的卷积层和池化层及其对应层的权重参数迁移到待训练深度学习网络；
(43)在待训练深度学习网络中的池化层加入一层空间金字塔池化层，将所有空间金字塔池化层输出融合后连接到全连接层，所述全连接层采用3层；
(44)固定待训练深度学习网络的卷积层和池化层的权重参数，将图像训练集输入待训练深度学习网络进行全连接层的权重参数训练；
(45)当网络模型的输出值和输入值对应的标注数据的差异性小于第一预设值时，取消对网络参数的固定，进行全网络层权重参数的微调；
(46)当网络模型的输出值和输入值对应的标注数据的差异性小于第二预设值时或迭代次数达到最大预设值，停止训练过程。
6.根据权利要求5所述的基于深度学习的图像识别方法，其特征在于：所述全连接层采用3层，每层全连接层采用了L2正则化和Dropout方法。
7.根据权利要求4所述的基于深度学习的图像识别方法，其特征在于：所述网络模型的输出值和输入值对应的标注数据的差异性采用交叉熵函数度量，在训练过程中，每次输出根据交叉熵数值进行反向传播调整各层的权重参数，调整方法采用adam算法。
8.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于：所述图像扩增方法包括：
改变图像训练集中的图像的视角，先将图像随机从旋转角度为0，90，180，270选择一种，然后对输入图像随机选择翻转反向为沿x轴或沿y轴翻转；
改变图像的大小，先将图像随机从高度和宽度裁剪0.1-0.4，然后将整体图像进行随机大小缩放0.2。
9.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于：所述图像对比度调整采用将原始图像的像素值分布非线性转换到第一预设阈值区间的均匀分布，非线性变换公式：
式中，Gout为变换后每个像素点的像素值，Gin为原始像素值，Gexmin和Gexmax为为第一预设阈值区间的下限和上限，Gmin和Gmax分别是RGB颜色空间平均最小像素值和最大像素值，其计算公式如下：
Gmin＝(Gmin＝(Rmin+Gmin+Bmin)/3，Gmax＝(Rmax+Gmax+Bmax)/3。
10.如权利要求1-8任意一项所述的基于深度学习的图像识别方法在水稻病害识别上的应用，其特征在于：所述图像训练集的图像包括不同种类的病害图像、同一种类病害不同生长时期图像和不同水稻区域的同一种类病害图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010561990.1A CN111833311B (zh) | 2020-06-18 | 2020-06-18 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010561990.1A CN111833311B (zh) | 2020-06-18 | 2020-06-18 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111833311A true CN111833311A (zh) | 2020-10-27 |
| CN111833311B CN111833311B (zh) | 2023-12-22 |
Family
ID=72897821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010561990.1A Active CN111833311B (zh) | 2020-06-18 | 2020-06-18 | 基于深度学习的图像识别方法及在水稻病害识别上的应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111833311B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465820A (zh) * | 2020-12-22 | 2021-03-09 | 中国科学院合肥物质科学研究院 | 基于语义分割的融合全局上下文信息的水稻病害检测方法 |
| CN113076873A (zh) * | 2021-04-01 | 2021-07-06 | 重庆邮电大学 | 一种基于多阶段训练的农作物病害长尾图像识别方法 |
| CN113095230A (zh) * | 2021-04-14 | 2021-07-09 | 北京深睿博联科技有限责任公司 | 一种帮助盲人查找物品的方法和装置 |
| CN113177578A (zh) * | 2021-04-06 | 2021-07-27 | 安徽农业大学 | 一种基于lstm的农产品品质分类方法 |
| CN113553985A (zh) * | 2021-08-02 | 2021-10-26 | 中再云图技术有限公司 | 一种基于人工智能高空烟雾检测识别方法，存储装置及服务器 |
| CN113576508A (zh) * | 2021-07-21 | 2021-11-02 | 华中科技大学 | 一种基于神经网络的脑出血辅助诊断*** |
| CN114548265A (zh) * | 2022-02-21 | 2022-05-27 | 安徽农业大学 | 一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质 |
| CN117011607A (zh) * | 2023-08-08 | 2023-11-07 | 安徽农业大学 | 一种基于注意力残差网络的水稻种子分类方法 |
| CN113576508B (zh) * | 2021-07-21 | 2024-07-09 | 华中科技大学 | 一种基于神经网络的脑出血辅助诊断*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273502A (zh) * | 2017-06-19 | 2017-10-20 | 重庆邮电大学 | 一种基于空间认知学习的图像地理标注方法 |
| CN108665447A (zh) * | 2018-04-20 | 2018-10-16 | 浙江大学 | 一种基于眼底照相深度学习的青光眼图像检测方法 |
| CN109635835A (zh) * | 2018-11-08 | 2019-04-16 | 深圳蓝韵医学影像有限公司 | 一种基于深度学习与迁移学习的乳腺病变区域检测方法 |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN110781921A (zh) * | 2019-09-25 | 2020-02-11 | 浙江农林大学 | 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置 |
-
2020
- 2020-06-18 CN CN202010561990.1A patent/CN111833311B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273502A (zh) * | 2017-06-19 | 2017-10-20 | 重庆邮电大学 | 一种基于空间认知学习的图像地理标注方法 |
| CN108665447A (zh) * | 2018-04-20 | 2018-10-16 | 浙江大学 | 一种基于眼底照相深度学习的青光眼图像检测方法 |
| WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN109635835A (zh) * | 2018-11-08 | 2019-04-16 | 深圳蓝韵医学影像有限公司 | 一种基于深度学习与迁移学习的乳腺病变区域检测方法 |
| CN110781921A (zh) * | 2019-09-25 | 2020-02-11 | 浙江农林大学 | 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 许景辉;邵明烨;王一琛;韩文霆;: "基于迁移学习的卷积神经网络玉米病害图像识别", 农业机械学报, no. 02 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465820A (zh) * | 2020-12-22 | 2021-03-09 | 中国科学院合肥物质科学研究院 | 基于语义分割的融合全局上下文信息的水稻病害检测方法 |
| CN113076873A (zh) * | 2021-04-01 | 2021-07-06 | 重庆邮电大学 | 一种基于多阶段训练的农作物病害长尾图像识别方法 |
| CN113076873B (zh) * | 2021-04-01 | 2022-02-22 | 重庆邮电大学 | 一种基于多阶段训练的农作物病害长尾图像识别方法 |
| CN113177578A (zh) * | 2021-04-06 | 2021-07-27 | 安徽农业大学 | 一种基于lstm的农产品品质分类方法 |
| CN113095230A (zh) * | 2021-04-14 | 2021-07-09 | 北京深睿博联科技有限责任公司 | 一种帮助盲人查找物品的方法和装置 |
| CN113576508A (zh) * | 2021-07-21 | 2021-11-02 | 华中科技大学 | 一种基于神经网络的脑出血辅助诊断*** |
| CN113576508B (zh) * | 2021-07-21 | 2024-07-09 | 华中科技大学 | 一种基于神经网络的脑出血辅助诊断*** |
| CN113553985A (zh) * | 2021-08-02 | 2021-10-26 | 中再云图技术有限公司 | 一种基于人工智能高空烟雾检测识别方法，存储装置及服务器 |
| CN114548265A (zh) * | 2022-02-21 | 2022-05-27 | 安徽农业大学 | 一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质 |
| CN114548265B (zh) * | 2022-02-21 | 2024-06-21 | 安徽农业大学 | 一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质 |
| CN117011607A (zh) * | 2023-08-08 | 2023-11-07 | 安徽农业大学 | 一种基于注意力残差网络的水稻种子分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111833311B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111833311A (zh) | 基于深度学习的图像识别方法及在水稻病害识别上的应用 | |
| Tm et al. | Tomato leaf disease detection using convolutional neural networks | |
| AU2020102885A4 (en) | Disease recognition method of winter jujube based on deep convolutional neural network and disease image | |
| CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
| CN106169081B (zh) | 一种基于不同照度的图像分类及处理方法 | |
| CN108520206B (zh) | 一种基于全卷积神经网络的真菌显微图像识别方法 | |
| CN108108677A (zh) | 一种基于改进的cnn人脸表情识别方法 | |
| CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
| CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
| CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
| CN106228185A (zh) | 一种基于神经网络的通用图像分类识别***及方法 | |
| CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
| CN108596891A (zh) | 一种面向多种类混合蚕茧的计数方法 | |
| CN111860330A (zh) | 基于多特征融合和卷积神经网络的苹果叶部病害识别方法 | |
| CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
| CN111723764A (zh) | 改进Faster RCNN水培蔬菜幼苗状态检测方法 | |
| CN110827273A (zh) | 一种基于区域卷积神经网络的茶叶病害检测方法 | |
| CN111598001A (zh) | 一种基于图像处理的苹果树病虫害的识别方法 | |
| CN109086823B (zh) | 一种小麦赤霉病病穗率自动统计方法 | |
| CN112270268A (zh) | 一种非结构化环境下基于深度学习的果实采摘机器人目标检测方法 | |
| CN114648806A (zh) | 一种多机制自适应的眼底图像分割方法 | |
| 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 | |
| CN111626969B (zh) | 一种基于注意力机制的玉米病害图像处理方法 | |
| CN109685030A (zh) | 一种基于卷积神经网络的马克杯杯口缺陷检测分类方法 | |
| CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |