基于深度学习的常见农作物多类别虫害识别方法及装置制造方法及图纸

本发明专利技术针对现有技术的局限性，提出了一种基于深度学习的常见农作物多类别虫害识别方法，其对深度学习模型DenseNet卷积神经网络进行了改进，通过集成学习结合了选择性内核单元、表征批规范化模块以及自适应激活函数ACON，使该卷积神经网络能够根据网络的输入，自适应调整感受野的大小，捕捉不同尺寸的目标；减少输入信息的噪声，增强输入信息的特征，让特征服从稳定的分布；还增强了网络的综合表现；使得DenseNet卷积神经网络能够有效处理多农作物品种、多虫害类型的数据集，提高了训练后所得虫害识别模型对农作物虫害的识别率，在实际应用过程中能很好的满足真实环境的要求。实际应用过程中能很好的满足真实环境的要求。实际应用过程中能很好的满足真实环境的要求。

【技术实现步骤摘要】
基于深度学习的常见农作物多类别虫害识别方法及装置


[0001]本专利技术涉及深度学习在农作物虫害识别方面的应用以及虫害图像获取和处理
，具体涉及一种基于深度学习的常见农作物多类别虫害识别方法及装置。

技术介绍

[0002]农作物虫害对农作物的质量和产量造成了极大影响，造成农业产业的巨额损失，是制约现代农业发展的重要因素。当前，使用深度学习对农业虫害进行识别已然成为了本领域研究的热点。
[0003]以公开日为2021.11.23的中国专利技术申请：草原蝗虫智能识别系统及识别方法为例，其草原蝗虫智能识别系统包括前端信息采集终端、图像传输系统、后端云平台的蝗虫图像种类识别模型和后台管控云平台；前端信息采集终端为手机，通过手机获取蝗虫的图片，蝗虫图片传输到后端云平台的蝗虫图像种类识别模型，经过深度神经网络对图片中蝗虫的特征进行学习与提取，最终实现草原蝗虫的监测与识别，为用户提供高效可取的蝗虫防治方法。其通过深度学习进行模型训练，以期简化蝗虫图像识别时所需的大量人工操作；降低行业的从业门槛，提升准入率；本为草原蝗虫的精准调查提供技术支撑，提高基层人员野外调查的效率，节约各种财力和物力等成本。
[0004]但是，目前本领域大多只能针对单一农作物的少数几类虫害进行研究，研究的农作物虫害数据量少；使用现有深度学习模型在大型虫害数据集上的识别率低；大多数研究局限在实验室环境，不能很好的满足真实环境的要求。因此，现有技术仍有一定的局限性。

技术实现思路

[0005]针对现有技术的局限，本专利技术提出一种基于深度学习的常见农作物多类别虫害识别方法，本专利技术采用的技术方案是：
[0006]一种基于深度学习的常见农作物多类别虫害识别方法，包括以下步骤：
[0007]S1，获取待识别的虫害图像；
[0008]S2，对所述虫害图像进行预处理；
[0009]S3，将经过预处理的虫害图像输入到基于改进的DenseNet卷积神经网络训练得到的虫害识别模型进行识别，获得虫害识别结果；
[0010]其中，所述改进的DenseNet卷积神经网络在原网络基础上通过集成学习结合了以下内容：
[0011]引入选择性内核单元，所述选择性内核单元用于根据网络的输入，自适应调整感受野的大小，捕捉不同尺寸的目标；
[0012]使用表征批规范化模块减少输入信息的噪声，增强输入信息的特征，让特征服从稳定的分布；
[0013]以自适应激活函数ACON作为激活函数。
[0014]相较于现有技术，本专利技术对深度学习模型DenseNet卷积神经网络进行了改进，通
过集成学习结合了选择性内核单元、表征批规范化模块以及自适应激活函数ACON，使该卷积神经网络能够根据网络的输入，自适应调整感受野的大小，捕捉不同尺寸的目标；减少输入信息的噪声，增强输入信息的特征，让特征服从稳定的分布；还增强了网络的综合表现；使得DenseNet卷积神经网络能够有效处理多农作物品种、多虫害类型的数据集，提高了训练后所得虫害识别模型对农作物虫害的识别率，在实际应用过程中能很好的满足真实环境的要求。
[0015]作为一种优选方案，所述步骤S2的预处理内容包括对所述虫害图像进行去噪、尺寸调整以及归一化操作。
[0016]作为一种优选方案，所述DenseNet卷积神经网络在训练过程中所使用的数据集为涵盖水稻、小麦、玉米在内若干种农作物的若干种虫害情况的农作物虫害图像数据集。
[0017]进一步的，所述农作物虫害图像数据集在用于对所述DenseNet卷积神经网络进行训练前，先经过图像的归一化、尺寸缩放、随机旋转以及亮度、对比度调整的处理。
[0018]本专利技术还提供以下内容：
[0019]一种介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现前述的基于深度学习的常见农作物多类别虫害识别方法的步骤。
[0020]一种云服务器，包括介质、处理器以及储存在所述介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现前述基于深度学习的常见农作物多类别虫害识别方法的步骤。
[0021]一种基于深度学习的常见农作物多类别虫害识别装置，包括电源模块、网络摄像头、诱虫板、交换机、电脑设备以及如前述的云服务器；所述网络摄像头由所述电源模块进行供电，用于对农作物以及所述诱虫板进行图像采集；所述网络摄像头采集到的虫害图像经由所述交换机以及电脑设备传输到所述云服务器进行虫害识别；由所述云服务器将虫害识别的结果反馈给用户。
[0022]作为一种优选方案，所述电源模块包括有线电源以及太阳能板。
[0023]进一步的，还包括由所述有线电源和/或太阳能板进行供电的补光光源。
[0024]更进一步的，所述太阳能板、网络摄像头以及补光光源通过设于立杆来进行部署；所述太阳能板设于所述立杆顶部；所述立杆在所述网络摄像头的设置位置还设有防水保护盒。
[0025]相较于现有技术，所述基于深度学习的常见农作物多类别虫害识别装置能够在无电无网的户外环境中使用，并且能够满足全天监控的要求；搭配诱虫板和性诱剂的使用，还能够更有针对性的对农作物的虫害进行监控；运用了改进的深度学习模型DenseNet卷积神经网络，提高了识别模型对农作物虫害的识别率；能够及时将虫害信息反馈给相关人员。
附图说明
[0026]图1为本专利技术实施例1提供的基于深度学习的常见农作物多类别虫害识别方法的步骤示意图；
[0027]图2为本专利技术实施例1在引入选择性内核单元后DenseNet卷积神经网络的核心网络结构图；
[0028]图3为本专利技术实施例1在引入表征批规范化模块后DenseNet卷积神经网络的核心
网络结构图；
[0029]图4为本专利技术实施例1在引入自适应激活函数ACON后DenseNet卷积神经网络的核心网络结构图；
[0030]图5本专利技术实施例4提供的基于深度学习的常见农作物多类别虫害识别装置示意图；
[0031]附图说明：1、电源模块；11、有线电源；12、太阳能板；2、网络摄像头；3、诱虫板；31、性诱剂；32、支架；4、交换机；5、电脑设备；6、云服务器；7、立杆；8、防水保护盒；9、手机终端。
具体实施方式
[0032]附图仅用于示例性说明，不能理解为对本专利的限制；
[0033]应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
[0034]在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的常见农作物多类别虫害识别方法，其特征在于，包括以下步骤：S1，获取待识别的虫害图像；S2，对所述虫害图像进行预处理；S3，将经过预处理的虫害图像输入到基于改进的DenseNet卷积神经网络训练得到的虫害识别模型进行识别，获得虫害识别结果；其中，所述改进的DenseNet卷积神经网络在原网络基础上通过集成学习结合了以下内容：引入选择性内核单元，所述选择性内核单元用于根据网络的输入，自适应调整感受野的大小，捕捉不同尺寸的目标；使用表征批规范化模块减少输入信息的噪声，增强输入信息的特征，让特征服从稳定的分布；以自适应激活函数ACON作为激活函数。2.根据权利要求1所述的基于深度学习的常见农作物多类别虫害识别方法，其特征在于，所述步骤S2的预处理内容包括对所述虫害图像进行去噪、尺寸调整以及归一化操作。3.根据权利要求1所述的基于深度学习的常见农作物多类别虫害识别方法，其特征在于，所述DenseNet卷积神经网络在训练过程中所使用的数据集为涵盖水稻、小麦、玉米在内若干种农作物的若干种虫害情况的农作物虫害图像数据集。4.根据权利要求3所述的基于深度学习的常见农作物多类别虫害识别方法，其特征在于，所述农作物虫害图像数据集在用于对所述DenseNet卷积神经网络进行训练前，先经过图像的归一化、尺寸缩放、随机旋转以及亮度、对比度调整的处理。5.一种介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于深度学习...

【专利技术属性】
技术研发人员：彭红星，徐慧明，陈虎，邢政，何慧君，李荆，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：