[发明专利]基于深度卷积神经网络和病害图像的冬枣病害识别方法

说明书

技术领域

本发明涉及果实病害图像处理和机器学习技术领域，特别涉及基于深度卷积神经网络和病害图像的冬枣病害识别方法。

背景技术

由于冬枣是大棚种植，大棚内温室环境为冬枣病害发生提供了适宜条件，使得病害种类多、发生频繁。主要病害有枣锈病、枣炭疽病、枣缩果病、枣焦叶病等。冬枣病害严重影响了冬枣的产量和质量。冬枣病害防治方法很多。刘同海等设计了一个基于WebGIS的冬枣病害信息服务平台【刘同海,高梅秀,王亮.基于WebGIS的冬枣病虫害信息服务平台的构建研究.北方园艺,2010(2):232-234】。孙新调查研究了陕西大荔县10个乡镇100余个冬枣园的病害防治问题，总结了冬枣常见病害的发生规律和对应的防治措施【孙新.冬枣常见病虫害及其综合防治.现代农业科技,2013,09:34-35】。李新良等总结了常见冬枣病害的综合防治方法，为冬枣病害检测和防治提供了参考【李新良,秦玉玲.枣树主要病虫害的防治措施.现代园艺,2016(13):147-148】。杨国安重点介绍了冬枣主要病害的流行规律及综合防治技术，为广大基层农技人员和枣农提供了参考【杨国安.冬枣病虫害综合防治技术.北京农业,2015(19):46-47】。尽管冬枣病害防治方法很多，但是现有的大部分方法还是依靠人工观察和比对病害症状进行病害识别。由于冬枣病害发生的原因复杂，以及各个冬枣大棚内的环境差异较大，所以大多数果农很难根据现有的方法正确诊断自己的冬枣病害。

基于作物病害图像的作物病害识别方法研究一直是图像处理和机器学习领域的一个重要的研究课题。但由于冬枣病害图像千变万化，背景也比较复杂，因此传统的作物病害识别方法不能满足实际基于物联网的冬枣病害监控系统的需求。近年来，基于深度学习的图像识别方法取得了突出的分类效果【志远,鲁成祥,史忠植,等.深度学习研究与进展[J].计算机科学,2016,43(2):1-8】。物联网技术和深度学习及其应用的快速发展为实现冬枣病害远程智能识别提供了可能。物联网能够实时采集冬枣病害图像，深度学习从采集到的海量、复杂的病害图像中自动学习到代表性的特征，利用这些特征能够快速、准确地识别病害类型，但是目前还没有发现将以上技术融合起来的冬枣病害识别方法。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供基于深度卷积神经网络和病害图像的冬枣病害识别方法，将深度学习模型和冬枣病害果实图像相结合进行冬枣病害识别，为大棚冬枣病害防治提供准确的病害信息，实现基于物联网的大棚冬枣病害自动检测和识别。

为了达到上述目的，本发明采用的技术方案为：

基于深度卷积神经网络和病害图像的冬枣病害识别方法，包括以下步骤：

1)对物联网采集的冬枣病害图像进行滤波、增强、平滑和归一化、二值化预处理后得到二值化病害图像，然后将二值化病害图像与原图像进行点乘运算，得到预处理后的彩色病害图像；

2)将预处理后的彩色病害图像的颜色特征和直方图阈值法相结合得到彩色病害图像的像素值的范围，由此估计预处理后的彩色病害图像的病斑中心，然后以病斑中心为中心，通过感兴趣区域检测方法提取包含彩色病害图像的病斑的一个感兴趣区域矩形；

3)利用K-均值聚类算法分割感兴趣区域矩形，得到彩色病斑图像；

4)将所有分割出的彩色病斑图像划分为训练集和测试集；

5)构建一个三通道分层深度卷积神经网络模型；

6)将训练集中的每幅彩色病斑图像的三个颜色分量分别输入到三通道分层深度卷积神经网络模型的三个通道，逐层计算后输出具有代表性的特征；再不断调整模型参数，迭代训练三通道分层深度卷积神经网络模型，直到利用前后两次迭代得到的分类特征进行病害识别的识别率的差小于一个给定的阈值时，迭代终止，得到一个性能稳定的深度卷积神经网络模型；

7)将测试集中的每幅彩色病斑图像的三个颜色分量输入到训练好的深度卷积神经网络模型，在深度卷积神经网络模型的分类层得到病害的识别结果。

所述的步骤4)的训练集用于训练识别三通道分层深度卷积神经网络模型，得到三通道分层深度卷积神经网络模型的稳定的参数；测试集用于测试三通道分层深度卷积神经网络模型的性能。