[发明专利]一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法

说明书

本发明公开了一种基于YOLO V3与ResNeXt‑50级联模型的脐橙病虫害识别方法，该方法的步骤：步骤1：使用爬虫从互联网上获取19种病害和虫害图片，并对数据进行裁剪，形成原始数据集A与裁剪后的数据集B。步骤2：使用YOLO V3与ResNeXt‑50分别在数据集A与B上进行训练。步骤3：使用多结果选择算法，投票选择票数最多的识别框为最终的识别框。步骤4：将最终的识别框的图像输入到ResNeXt‑50，获取最终的分类类别。通过本发明的技术方案，果农使用廉价手机拍摄实际场景图片，就可有效识别脐橙病虫害，避免由于病虫害导致的农业减产、农产品质量下降、经济损失等问题，提出的方法具有较高的实用价值。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的病虫害识别方法。

背景技术

我国是农业大国，农业与我们的生活息息相关，而农作物病害对农业影响巨大。据中国统计年鉴，2016年由农业病害等灾害造成的直接损失达0.503万亿元，占农业生产总值的8.48%。经济社会的不断发展带来了全球的气候和环境问题，病害的发生以及真菌细菌的变异影响着人们的生活。脐橙作为南方常见水果，种植需要较高的成本，实际种植过程中，经常出现病虫害问题，若是没有做好相关防治工作，便会影响脐橙的产量和质量，导致农户受到一定的经济损失。因此，研究农作物病害的预防，以及病害诊断和补救措施显得尤为重要，《You Only Look Once: Unified, Real-Time Object Detection》论文提出了YOLO 系列算法,广泛用于目标检测技术具有速度快准率高的优点，《Aggregated ResidualTransformations for Deep Neural Networks》论文中提出了ResNeXt-50图像分类算法是对ResNet的改进在识别准确率上有所提升。

发明内容

一种基于YOLO V3与ResNeXt-50级联模型的脐橙病虫害识别方法，其特征在于识别方法包含以下步骤：

S101）数据获取：使用网络爬虫在互联网上获取脐橙的常见病和常见虫害，以煤烟病，疮痂病，黄龙病，溃疡病，炭疽病，脚腐病，膏药病，褐腐病，黄斑病，红蜘蛛，天牛，象鼻虫，铜绿金龟子，椿象为关键字在百度图片上进行检索，并使用Python爬虫下载，将图像下载后进行裁剪：包含多个患病的叶片对其进行裁剪形成多张图片，从而进行数据集扩充，形成数据集A，而裁剪的图像形成数据集B，两个数据集均按照7:2:1的比例划分为训练集、测试集和验证集；

S102）模型训练：使用数据集A训练目标检测算法YOLO V3，最终获得训练好的模型，用于后续检测工作；使用数据集B训练分类模型，从中挑选验证集准确率最高的模型ResNeXt-50，用作后面分类识别工作；

S103）多结果选择算法：使用多结果选择算法从多个识别框中选择一个识别框并输入到下一阶段的识别模型中；

S104）分类模型识别：把最终识别框的图像输入到分类模型中ResNeXt-50最终获得识别结果。

进一步，所述的步骤S101）、S102）、S103）与S104）形成三级级联模型，其包括三个模块：

模块1：为YOLO V3目标检测部分，用于检测图片中所有可能出现的病虫害部位的识别框、所属种类和准确率；

模块2：为多结果选择算法，从输出的多个识别框中，给出平均准确率最高的识别框的坐标；

模块3：为分类模型，将模块2中输出的坐标所围成的图片，输入到分类模型中使用ResNeXt-50进行识别，给出最终病虫害类别。

进一步，所述的步骤S101）中的数据集A，其中的每张图片拍摄于真实的环境，图片包含多个主体和复杂的环境信息，其中的个体指的是患病的果实、叶片或者枝干。

进一步，所述的步骤S101）中的数据集B，其中的每张图片是由是对数据集A中图片进行人工裁剪得到，保证数据集B中的每张图片只包含一个个体，去除背景影响。