[发明专利]一种利用GPCNNs和ELM进行植物叶片疾病识别的方法

说明书

本发明公开了一种利用GPCNNs和ELM进行植物叶片疾病识别的方法，包括三个阶段：利用GPCNN学习多尺度金字塔汇聚特征，融合提取的层次特征，然后进行疾病识别分类。本发明的特点是：(1)采用全局汇聚层代替全连通层，加快了网络收敛速度，提高了网络性能；(2)与传统的基于特征提取的疾病识别方法相比，本发明利用GPCNNs从病叶图像中自动学习出可靠的特征，代替人工提取病叶特征，可靠性提高，效率提高；(3)与传统的基于深度学习的作物病害识别方法相比，用ELM分类器代替利用卷积神经网络(CNNs)对疾病类型进行分类，提高了识别性能。

技术领域

本发明涉及计算机技术领域，更具体的说是涉及一种利用GPCNNs和ELM 进行植物叶片疾病识别的方法。

背景技术

目前，传统的检测和诊断植物叶片病害的主要方法是通过专家和农民的 专业技术水平和多年的经验对果树进行肉眼观察，劳动强度大，耗时长，需 要专家和农民连续监测田间水果的生长，往往容易错过最佳的防治时机。随 着机器学习领域、模式识别、图像处理和图像分类的发展，许多植物病害的 识别方法和技术已被提出并应用于自动检测和苹果病害的识别，Sindhuja[2] 等建立了一种快速、有效、可靠地健康监测传感器。虽然这些方法能有效地 诊断植物病害，但它们对于普通人来说太专业化了[4]。Omrani[5]等人提出了 农作物病虫叶片图像分类的软计算方法；Bhavini[6]等人综述了几种利用图像 处理和机器学习的植物病害检测与分类方法，总结了作物病害检测与识别的 各个阶段；Shiv[7]等人提出了一种基于颜色、纹理和形状特征的苹果病害分类 方法；Zhang[8]等人提出了一种苹果叶部病害识别的方法，从每个斑点图像中 提取38个颜色、纹理和形状的分类特征，利用遗传算法(GA)选择最有价值 的特征，最后利用支持向量机进行病害识别；Ganatra[9]等人作物病害检测与 分类中使用的各种现有算法和技术，总结了各种特征提取算法、分割算法和 分类器以及优缺点。

但是，上述方法的识别性能在很大程度上取决于病叶图像的分割效果和 提取的手工艺特征。由于病叶图像的颜色、形状和纹理非常复杂和不规则， 很难从病叶图像中提取鲁棒性的分类特征用于病害识别。

因此，如何实现从病叶图像准确进行病害识别是本领域技术人员亟需解 决的问题。

发明内容

有鉴于此，本发明提供了一种利用GPCNNs和ELM进行植物叶片疾病识 别的方法，通过建立全局汇聚CNNs模型，对病叶图像进行多尺度特征提取， 并利用ELM对病叶图像进行分类。包括两个训练阶段，在第一训练阶段，进 行GPCNNs模型训练，包括两部分：基于网络权重集(W,b)的特征提取和采 用Softmax分类器的图像识别，(W,b)用于从最后三层卷积层或池层的特征 图像映射中提取多尺度特征映射；第二训练阶段，将第一阶段的多尺度特征 映射进行多尺度融合操作得到金字塔汇集特征向量，再将其串联为列向量， 再采用列向量来训练由网络权重集表征的ELM分类器，训练后的网络权值集 (V,e,b)用于生成分类标签(V,e,b)。最后通过(W,b,V,e,b)构建了一个端 到端的GPCNNs+ELM识别模型。输入叶片图像到GPCNNs+ELM识别模型就可 以得到叶片灾害类型的识别结果。

为了实现上述目的，本发明采用如下技术方案：

公开了一种利用GPCNNs和ELM进行植物叶片疾病识别的方法，采集原 始图像通过训练GPCNNs模型进行多尺度金字塔池特征提取，得到病害特征模 型，再采用ELM对测试图像的植物叶片病害类型进行识别，其具体步骤为： S1：对采集原始图像进行处理，对所述原始图像进行归一化和固定图像大小 处理；运用微失真增强算法提高所述原始图像的抗干扰能力，对所述原始图 像运用微失真增强算法后进行变换处理得到若干新图像，与所述原始图像共 同组成图像数据；