[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

摘要

基于深度卷积神经网络和病害图像的冬枣病害识别方法，先将物联网采集的原始冬枣病害果实RGB彩色图像转化成YUV颜色模型，再进行预处理；然后提取包含病害图像的病斑的一个感兴趣区域矩形，利用K‑均值聚类算法分割得到YUV彩色病斑图像；构建一个三通道分层卷积神经网络模型，利用训练数据训练该模型，最后将待识别的冬枣病害图像输入训练后的模型，进行病害类别识别；本发明能够应用于基于物联网的大棚冬枣病害监控系统中，能够得到较高的病害识别结果。

主权项

基于深度卷积神经网络和病害图像的冬枣病害识别方法，其特征在于，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，由此获取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。