[发明专利]一种基于卷积神经网络的荞麦病害识别方法

说明书

本发明提供一种基于卷积神经网络的荞麦病害识别方法，包括如下步骤：首先，采用基于MSER和CNN结合的方法对荞麦病害区域进行检测，从图像中分离出病害区域与非病害区域；然后，把病害区域图像送入基于inception结构改进以及采用基于余弦相似度卷积方式的卷积神经网络中进行训练和识别。本发明的方法能够实现精准的荞麦病害的识别。

技术领域

本发明主要涉及荞麦病害检测相关技术领域，具体是一种基于卷积神经网络的荞麦病害识别方法。

背景技术

荞麦(Fagopyrum spp.)是一种营养丰富的重要杂粮，其营养成分丰富，含有蛋白质、纤维素、糖类和抗氧化物质芦丁等对人体健康非常有益的成分，且种植适应性强，耐寒冷、贫瘠，是具有开发潜力的优质作物资源。

然而，病害导致荞麦的产量与品质受到极大影响，使得其营养价值、饲用品质等低下。近年来随着荞麦种植面积逐步扩大，由传统小规模生产向现代机械化生产转变，病害发生种类和危害程度也随之增长，因此对病害防控需求也随着加大。准确及时对荞麦病害情况作出辨别，是预防和控制的重要手段。现有的荞麦物病害识别手段主要是通过人工进行甄别，对专业知识要求高，效率较低，往往错过最佳的控制时期。

在农业生产中，对作物病害图像的自动分类具有重要的应用价值。传统基于人工特征提取的分类算法存在对专业知识要求高、耗时费力、难以提取高质量特征等问题，而利用深度学习获取作物病害的多尺度特征，可以更精确的实现了不同病害的特征表达，有利用对作物病害的精确识别。在传统的基于图像自动分类研究中，对作物病害的识别主要集中对大田作物的研究，其种植面大，样本的收集和筛选相对容易，建立的样本库比较规范，病害与健康作物图像样本都比较清晰，成像质量较好，所以现有的深度学习框架在这些大田作物上都能取的较好的识别效果。荞麦作为杂粮作物没有标准的图像数据库，且大都种植于山区，受采样条件的限制，存在成像质量不高，噪声干扰严重，样本光照不均，叶片重叠等现象，因此采用传统的识别方法难以取得理想的效果。

发明内容

为解决目前技术的不足，本发明结合现有技术，从实际应用出发，提供一种基于卷积神经网络的荞麦病害识别方法，能够实现精准的荞麦病害的识别。

本发明的技术方案如下：

一种基于卷积神经网络的荞麦病害识别方法，包括如下步骤：

首先，采用基于MSER和CNN结合的方法对荞麦病害区域进行检测，从图像中分离出病害区域与非病害区域；

然后，把病害区域图像送入基于inception结构改进以及采用基于余弦相似度卷积方式的卷积神经网络中进行训练和识别。

进一步，采用基于MSER和CNN结合的方法对荞麦病害区域进行检测，具体包括如下步骤，

步骤1、采用基于MSER的方法对病害区域进行检测，MSER算法的具体实现过程如下：

(1)对荞麦病害图像进行灰度化处理，在灰度区间[0，255]内的256个不同阈值对灰度图像进行二值化；令Q_t表示二值化阈值t对应的二值图像中的某一连通区域，当二值化阈值由t变成t+Δ和t-Δ时，Δ为变化值，连通区域Q_t相应变成了Q_t+Δ和Q_t-Δ；

(2)计算阈值为t时的面积比q(t)＝|Q_t+Δ-Q_t-Δ|/|Q_t|，当Q_t的面积随二值化阈值t的变化而发生较小变化,即q_t为局部极小值时，Q_t为最大稳定极值区域，其中|Q_t|表示连通区域Q_t的面积，|Q_t+Δ-Q_t-Δ|表示Q_t+Δ减去Q_t-Δ后的剩余区域面积；